特許ウォッチ

公開番号2025114977
公報種別公開特許公報(A)
公開日2025-08-06
出願番号2024009244
出願日2024-01-25
発明の名称音声処理システム、音声処理方法、及び音声処理プログラム
出願人シャープ株式会社
代理人個人,個人,個人
主分類G10L 15/20 20060101AFI20250730BHJP(楽器;音響)
要約【課題】音声装置を使用した会話の品質を向上させるとともに、音声装置に入力される音声をテキストに変換する音声認識の精度を向上させることが可能な音声処理システム、音声処理方法、及び音声処理プログラムを提供する。
【解決手段】音声処理装置1は、音声装置2のマイクに入力された音声を取得する取得処理部111と、取得処理部111により取得される音声に対して、音声をスピーカーから再生させるための音声処理を実行する音声処理部112と、取得処理部111により取得される音声に基づいて、音声をテキスト変換する音声認識処理を実行する音声認識処理部113と、音声処理部112による音声処理後の音声と、音声処理部112による音声処理後の音声を出力する音声出力処理部114と、音声認識処理部113による音声認識処理の認識結果を出力するテキスト出力処理部115と、を備える。
【選択図】図2
特許請求の範囲【請求項１】
音声装置のマイクに入力された音声を取得する取得処理部と、
前記取得処理部により取得される前記音声に対して、音声をスピーカーから再生させるための音声処理を実行する音声処理部と、
前記取得処理部により取得される前記音声に基づいて、音声をテキスト変換する音声認識処理を実行する音声認識処理部と、
前記音声処理部による前記音声処理後の前記音声を出力する音声出力処理部と、
前記音声認識処理部による前記音声認識処理の認識結果を出力するテキスト出力処理部と、
を備える音声処理システム。
続きを表示（約 1,300 文字）【請求項２】
前記音声認識処理部は、前記音声処理が施されていない前記音声に基づいて、前記音声認識処理を実行する、
請求項１に記載の音声処理システム。
【請求項３】
前記音声処理部は、前記取得処理部により取得される前記音声に対して、エコーキャンセル、ノイズキャンセル、ゲイン調整の少なくともいずれかを実行する、
請求項１に記載の音声処理システム。
【請求項４】
前記音声認識処理部は、前記取得処理部により取得された前記音声にエコーキャンセルを施した音声を取得して、前記音声認識処理を実行する、
請求項１に記載の音声処理システム。
【請求項５】
前記音声装置ごとに、前記取得処理部により取得された前記音声にエコーキャンセルを実行するか否かを設定可能である、
請求項４に記載の音声処理システム。
【請求項６】
前記取得処理部は、複数の前記音声装置のそれぞれのマイクに入力された音声を取得し、
前記音声認識処理部は、前記音声装置ごとに前記音声の前記音声認識処理を実行する、
請求項１に記載の音声処理システム。
【請求項７】
前記取得処理部と、前記音声処理部と、前記音声認識処理部と、前記音声出力処理部と、前記テキスト出力処理部とを含む音声処理装置を備える、
請求項１に記載の音声処理システム。
【請求項８】
音声装置のマイクに入力された音声を取得する取得処理部と、
前記取得処理部により取得される前記音声に対して、音声をスピーカーから再生させるための音声処理を実行する音声処理部と、
前記音声処理部による前記音声処理後の前記音声を、他の音声装置のスピーカーから音声出力させる音声サーバーに出力するとともに、前記取得処理部により取得される前記音声を、音声をテキスト変換する音声認識サーバーに出力する出力処理部と、
を備える音声処理システム。
【請求項９】
音声装置のマイクに入力された音声を取得することと、
取得される前記音声に対して、音声をスピーカーから再生させるための音声処理を実行することと、
取得される前記音声に基づいて、音声をテキスト変換する音声認識処理を実行することと、
前記音声処理後の前記音声を出力することと、
前記音声認識処理の認識結果を出力することと、
を一又は複数のプロセッサーが実行する音声処理方法。
【請求項１０】
音声装置のマイクに入力された音声を取得することと、
取得される前記音声に対して、音声をスピーカーから再生させるための音声処理を実行することと、
取得される前記音声に基づいて、音声をテキスト変換する音声認識処理を実行することと、
前記音声処理後の前記音声を出力することと、
前記音声認識処理の認識結果を出力することと、
を一又は複数のプロセッサーに実行させるための音声処理プログラム。

発明の詳細な説明【技術分野】
【０００１】
本開示は、複数のユーザーが個別に音声装置を使用して会話を行う際の音声を制御する技術に関する。
続きを表示（約 1,900 文字）【背景技術】
【０００２】
従来、複数のユーザーがそれぞれマイク及びスピーカーを備える音声装置を使用して会話を行うことが可能なシステムが知られている。例えば、複数台の音声装置（個人通話装置）と、会議スペースに設置され複数台の音声装置が同時にローカルネットワークにて接続可能なおハブ装置とを備え、ハブ装置が、接続済みの音声装置に対して、相互同時通話を可能とするグループ通話網を構築するシステムが知られている（例えば特許文献１参照）。
【先行技術文献】
【特許文献】
【０００３】
特開２０２３－０３７８１３号公報
【発明の概要】
【発明が解決しようとする課題】
【０００４】
複数のユーザーがそれぞれ音声装置を使用した会話において、ユーザーの発話音声をテキストに変換して表示する場合がある。この場合、従来の技術では、例えば、音声装置のマイクに入力された音声に対して、エコーキャンセル（ＥＣ処理）、ノイズキャンセル（ＮＣ処理）、ゲイン調整（ＡＧＣ処理）などの音声処理を行って、音声処理後の音声を、会話サーバー及び音声認識サーバーに出力している。前記会話サーバーは、前記音声を取得すると、当該音声を他の音声装置に出力してスピーカーから音声出力（再生）させる。前記音声認識サーバーは、前記音声を取得すると、当該音声をテキストに変換する音声認識処理を行って表示装置などに表示させる。
【０００５】
ここで、前記音声認識サーバーは、一般的にノイズなどを含む音声データを学習して音声認識処理を行っている。このため、音声をスピーカーから再生させるための前記音声処理（ＥＣ処理、ＮＣ処理、ＡＧＣ処理など）が施された音声データが前記音声認識サーバーに入力されると、音声認識精度が低下する問題が生じる。
【０００６】
一方で、前記音声認識処理に適した音声、例えば前記音声処理前の音声を前記会話サーバー及び前記音声認識サーバーに入力する構成とした場合には、前記音声認識サーバーにおける音声認識精度は向上するが、会話音声としては聞き取り難い音声となり会話品質が低下する問題が生じる。
【０００７】
本開示の目的は、音声装置を使用した会話の品質を向上させるとともに、音声装置に入力される音声をテキストに変換する音声認識の精度を向上させることが可能な音声処理システム、音声処理方法、及び音声処理プログラムを提供することにある。
【課題を解決するための手段】
【０００８】
本開示の一の態様に係る音声処理システムは、取得処理部と、音声処理部と、音声認識処理部と、音声出力処理部と、テキスト出力処理部とを備える。前記取得処理部は、音声装置のマイクに入力された音声を取得する。前記音声処理部は、前記取得処理部により取得される前記音声に対して、音声をスピーカーから再生させるための音声処理を実行する。前記音声認識処理部は、前記取得処理部により取得される前記音声に基づいて、音声をテキスト変換する音声認識処理を実行する。前記音声出力処理部は、前記音声処理部による前記音声処理後の前記音声を出力する。前記テキスト出力処理部は、前記音声認識処理部による前記音声認識処理の認識結果を出力する。
【０００９】
本開示の他の態様に係る音声処理システムは、取得処理部と音声処理部と出力処理部とを備える。前記取得処理部は、音声装置のマイクに入力された音声を取得する。前記音声処理部は、前記取得処理部により取得される前記音声に対して、音声をスピーカーから再生させるための音声処理を実行する。前記出力処理部は、前記音声処理部による前記音声処理後の前記音声を、他の音声装置のスピーカーから音声出力させる音声サーバーに出力するとともに、前記取得処理部により取得される前記音声を、音声をテキスト変換する音声認識サーバーに出力する。
【００１０】
本開示の他の態様に係る音声処理方法は、音声装置のマイクに入力された音声を取得することと、取得される前記音声に対して、音声をスピーカーから再生させるための音声処理を実行することと、取得される前記音声に基づいて、音声をテキスト変換する音声認識処理を実行することと、前記音声処理後の前記音声を出力することと、前記音声認識処理の認識結果を出力することと、を一又は複数のプロセッサーが実行する音声処理方法である。
（【００１１】以降は省略されています）

関連特許