JP5606951B2

JP5606951B2 - Speech recognition system and search system using the same

Info

Publication number: JP5606951B2
Application number: JP2011029301A
Authority: JP
Inventors: 徹丸本
Original assignee: Alpine Electronics Inc
Current assignee: Alpine Electronics Inc
Priority date: 2011-02-15
Filing date: 2011-02-15
Publication date: 2014-10-15
Anticipated expiration: 2031-02-15
Also published as: JP2012168349A

Description

本発明は、使用者の発声した音声に対して音声認識処理を行う音声認識システムおよびこれを用いた検索システムに関する。 The present invention relates to a speech recognition system that performs speech recognition processing on speech uttered by a user, and a search system using the speech recognition system.

従来から、利用者が発声した音声に対して音声認識処理を行う際に、年間行事を含むカレンダーデータベースを用いてこのカレンダーデータベースに記録されている行事に関連する語彙を優先語彙として決定し、この語彙を優先的に認識処理を行うように認識辞書での語彙配列の内容を更新するようにした音声認識装置が知られている（例えば、特許文献１参照）。 Conventionally, when performing speech recognition processing on speech uttered by a user, a vocabulary related to an event recorded in this calendar database is determined as a priority vocabulary using a calendar database including annual events. A speech recognition apparatus is known in which the contents of a vocabulary array in a recognition dictionary are updated so that vocabulary is recognized preferentially (see, for example, Patent Document 1).

特開２００７−１８７９７５号公報（第８−１９頁、図１−２０）JP 2007-187975 (pages 8-19, FIG. 1-20)

ところで、上述した特許文献１に用いられる音声認識装置では、カレンダーデータベースに記録されている行事に関連する語彙が優先されるが、利用者が発生する音声は、必ずしも行事に関連するものとは限らないため、行事に関連しない音声に対して音声認識の精度が低いという問題があった。音声認識処理によって１つの語彙が抽出されたときに、誤認識が生じると、発声からやりなおす必要があるため、操作が煩雑になる。また、音声認識処理によって１つの語彙に絞り込むことができず認識候補として複数の語彙が抽出されると、その中からいずれかを利用者が選択する必要が生じるため、やはり操作が煩雑になる。特に、この音声認識装置を車両に搭載してナビゲーション装置等の施設検索に用いる場合には、施設検索のキーワードとしての語彙が適切に決まらないことになり、所望の施設情報が得られるまでの操作が煩雑になったり時間がかかるという問題があった。 By the way, in the speech recognition apparatus used in Patent Document 1 described above, priority is given to the vocabulary related to the event recorded in the calendar database, but the speech generated by the user is not necessarily related to the event. Therefore, there is a problem that the accuracy of speech recognition is low for speech not related to the event. When a single vocabulary is extracted by the speech recognition process, if a misrecognition occurs, it is necessary to start over from the utterance, which makes the operation complicated. In addition, if a plurality of vocabularies cannot be narrowed down to one vocabulary by voice recognition processing and a plurality of vocabularies are extracted as recognition candidates, it becomes necessary for the user to select one of them, so that the operation becomes complicated. In particular, when this speech recognition device is mounted on a vehicle and used for facility search such as a navigation device, the vocabulary as a facility search keyword is not properly determined, and operations until desired facility information is obtained. There was a problem that became complicated and time consuming.

本発明は、このような点に鑑みて創作されたものであり、その目的は、認識精度を向上させることができるとともに正しい認識結果を得るまでの操作を簡略化することができる音声認識システムを提供することにある。また、本発明の他の目的は、音声認識処理を用いて検索キーワードを指定してコンテンツ検索を行う場合に、コンテンツ情報が得られるまでの操作を簡略化することができる検索システムを提供することにある。 The present invention has been created in view of the above points, and an object of the present invention is to provide a speech recognition system that can improve recognition accuracy and simplify operations until obtaining a correct recognition result. It is to provide. Another object of the present invention is to provide a search system capable of simplifying operations until content information is obtained when a content search is performed by specifying a search keyword using voice recognition processing. It is in.

上述した課題を解決するために、本発明の音声認識システムは、話者が発声した音声を保存する音声保存手段と、第１の認識辞書を用いて、音声保存手段に保存された音声に対して音声認識処理を行う第１の音声認識手段と、第１の認識辞書と異なる第２の認識辞書を用いて、音声保存手段に保存された音声に対して音声認識処理を行う第２の音声認識手段と、第１および第２の音声認識手段の認識結果に基づいて、音声保存手段に保存された音声に対応する認識候補を決定する認識結果決定手段とを備えている。 In order to solve the above-described problem, the speech recognition system of the present invention uses a speech storage unit that stores speech uttered by a speaker and a speech stored in the speech storage unit using the first recognition dictionary. A second voice for performing voice recognition processing on the voice stored in the voice storage means by using a first voice recognition means for performing voice recognition processing and a second recognition dictionary different from the first recognition dictionary. A recognition means; and a recognition result determination means for determining a recognition candidate corresponding to the voice stored in the voice storage means based on the recognition results of the first and second voice recognition means.

２組の認識辞書と音声認識手段を用いて同じ音声に対して音声認識処理を行うことにより、認識精度を上げることが可能となる。これにより、１つの認識候補としての語彙を決定する可能性が高まり、複数の語彙の中から利用者自身が正解となる語彙を指示する機会が減るため、操作の簡略化が可能となる。 By performing speech recognition processing on the same speech using two sets of recognition dictionaries and speech recognition means, recognition accuracy can be increased. As a result, the possibility of determining a vocabulary as one recognition candidate is increased, and the opportunity for the user himself / herself to specify a correct vocabulary from a plurality of vocabularies is reduced, so that the operation can be simplified.

また、上述した第１の音声認識手段による音声認識処理の処理時間は、第２の音声認識手段による音声認識処理の処理時間よりも短く、第２の音声認識手段による音声認識処理の認識精度は、第１の音声認識手段による音声認識処理の認識精度よりも高いことが望ましい。これにより、処理時間と認識精度の異なる２種類の音声認識処理を組み合わせることにより、必要に応じて認識精度を上げることが可能となる。 Further, the processing time of the speech recognition process according to the first speech recognition means described above, shorter than the processing time of the speech recognition processing by the second speech recognition means, the recognition accuracy of the speech recognition processing by the second speech recognition means It is desirable that the recognition accuracy is higher than the speech recognition processing by the first speech recognition means . Thereby, it becomes possible to raise recognition accuracy as needed by combining two types of speech recognition processing with different processing time and recognition accuracy.

また、上述した第１および第２の音声認識手段による音声認識処理は、互いに異なる音響モデルおよび照合アルゴリズムを用いて行われることが望ましい。これにより、音響モデルと照合アルゴリズムが異なる２種類の音声認識処理を組み合わせることにより、同時に誤認識が発生する可能性が低くなるため、認識精度を上げることができる。 Moreover, it is preferable that the voice recognition processing by the first and second voice recognition units described above is performed using different acoustic models and matching algorithms. Thus, by combining two types of speech recognition processes with different acoustic models and matching algorithms, the possibility of erroneous recognition occurring at the same time is reduced, so that the recognition accuracy can be increased.

また、上述した音声保存手段、第１の音声認識手段、認識結果決定手段は、車両に設けられており、第２の音声認識手段は、ネットワークを介して接続された車両外部のサーバに設けられている。これにより、車両に設けられた第１の音声認識手段による音声認識処理だけでなく、車両外部のサーバに設けられた第２の音声認識手段による音声認識処理を併用することができるため、必要に応じて認識精度を上げることが可能となる。 Further, the above-described voice storage means, first voice recognition means, and recognition result determination means are provided in the vehicle, and the second voice recognition means is provided in a server outside the vehicle connected via a network. ing. As a result, not only the voice recognition processing by the first voice recognition means provided in the vehicle but also the voice recognition processing by the second voice recognition means provided in the server outside the vehicle can be used together. Accordingly, the recognition accuracy can be increased.

また、上述した第２の音声認識手段による音声認識処理によって複数の認識候補に絞られたときに、これら複数の認識候補に対応する第１の認識辞書を作成する辞書作成手段をさらに備え、認識結果決定手段は、辞書作成手段によって作成された第１の認識辞書を用いた第１の音声認識手段の認識結果を用いて、音声保存手段に保存された音声に対応する認識候補を決定する。第２の音声認識手段の音声認識処理によって複数の認識候補を抽出した後、第１の音声認識手段の音声認識処理によってこれら複数の認識候補の中から入力音声に最も近いものを抽出することができるため、一方の音声認識手段のみで認識候補を決定する場合に比べて大幅に認識精度を向上させることができる。 Further, the apparatus further comprises dictionary creation means for creating a first recognition dictionary corresponding to the plurality of recognition candidates when the plurality of recognition candidates are narrowed down by the voice recognition processing by the second voice recognition means described above. The result determination unit determines a recognition candidate corresponding to the voice stored in the voice storage unit, using the recognition result of the first voice recognition unit using the first recognition dictionary created by the dictionary creation unit . After extracting a plurality of recognition candidates by the voice recognition process of the second voice recognition means, the voice recognition process of the first voice recognition means can extract the one closest to the input voice from the plurality of recognition candidates. Therefore, the recognition accuracy can be greatly improved as compared with the case where the recognition candidate is determined by only one speech recognition means.

また、上述した認識結果決定手段は、第２の音声認識手段による音声認識処理によって１つの認識候補に絞られたときに、この認識候補を、音声保存手段に保存された音声に対応する認識候補として決定することが望ましい。これにより、不要な処理を削減して最終的な認識候補を決定するまでの時間を短縮することができる。 In addition, the above-described recognition result determination unit selects a recognition candidate corresponding to the speech stored in the speech storage unit when the recognition candidate is narrowed down to one recognition candidate by the speech recognition processing by the second speech recognition unit. It is desirable to determine as As a result, unnecessary processing can be reduced and the time required to determine the final recognition candidate can be shortened.

また、上述した辞書作成手段は、複数の認識候補のそれぞれに対応する読みを書記素−音素変換により生成し、この読みを音声波形に変換することにより、第１の認識辞書を動的に作成することが望ましい。これにより、複数の認識候補の中から入力音声に最も類似するものを正確に決定することができる。 Further, the dictionary creation means described above dynamically creates a first recognition dictionary by generating readings corresponding to each of a plurality of recognition candidates by grapheme-phoneme conversion and converting the readings into speech waveforms. It is desirable to do. Thereby, it is possible to accurately determine the most similar to the input speech from among a plurality of recognition candidates.

また、本発明の検索システムは、上述した音声認識システムと、複数のコンテンツに関する情報が格納されたコンテンツデータベースと、認識結果決定手段によって決定された認識候補を検索キーワードとして複数のコンテンツの中から一つあるいは複数のコンテンツに関する情報を検索するコンテンツ検索手段とを備えており、コンテンツデータベースとコンテンツ検索手段は、サーバに設けられている。上述した認識精度が高く操作が簡単な音声認識システムをコンテンツ検索に適用することにより、コンテンツ情報が得られるまでの操作を簡略化することができる。また、サーバ側でコンテンツ検索を行うことにより、車両側で同様のコンテンツ検索を行う場合に比べて、検索対象となるコンテンツの数を増加させるとともに最新のコンテンツ情報を得ることが可能となる。 In addition, the search system of the present invention selects one of a plurality of contents from the above-described voice recognition system , a content database storing information on a plurality of contents, and a recognition candidate determined by the recognition result determining means as a search keyword. Content search means for searching for information on one or a plurality of contents, and the content database and the content search means are provided in the server . By applying the above-described speech recognition system with high recognition accuracy and easy operation to content search, the operation until content information can be obtained can be simplified. Further, by performing a content search on the server side, it is possible to increase the number of content items to be searched and obtain the latest content information as compared to the case where a similar content search is performed on the vehicle side.

第１の実施形態の施設検索システムの構成を示す図である。It is a figure showing composition of a facility search system of a 1st embodiment. 利用者が発声した音声を取り込んでこの音声に対応する施設検索結果を表示するまでの第１の実施形態の一連の動作手順を示す流れ図である。It is a flowchart which shows a series of operation | movement procedures of 1st Embodiment until it takes in the audio | voice which the user uttered and the facility search result corresponding to this audio | voice is displayed. 第１の参考実施形態の施設検索システムの構成を示す図である。It is a figure which shows the structure of the facility search system of 1st reference embodiment. 利用者が発声した音声を取り込んでこの音声に対応する施設検索結果を表示するまでの第１の参考実施形態の一連の動作手順を示す流れ図である。It is a flowchart which shows a series of operation | movement procedures of 1st reference embodiment after taking in the audio | voice which the user uttered and displaying the facility search result corresponding to this audio | voice. 第２の参考実施形態の施設検索システムの構成を示す図である。It is a figure which shows the structure of the facility search system of 2nd reference embodiment. 利用者が発声した音声を取り込んでこの音声に対応する施設検索結果を表示するまでの第２の参考実施形態の一連の動作手順を示す流れ図である。It is a flowchart which shows a series of operation | movement procedures of 2nd reference embodiment until it takes in the audio | voice which the user uttered and the facility search result corresponding to this audio | voice is displayed. 第３の参考実施形態の施設検索システムの構成を示す図である。It is a figure which shows the structure of the facility search system of 3rd reference embodiment. 利用者が発声した音声を取り込んでこの音声に対応する施設検索結果を表示するまでの第３の参考実施形態の一連の動作手順を示す流れ図である。It is a flowchart which shows a series of operation | movement procedures of 3rd reference embodiment after taking in the audio | voice which the user uttered and displaying the facility search result corresponding to this audio | voice.

以下、本発明を適用した一実施形態の施設検索システムについて、図面を参照しながら説明する。 Hereinafter, a facility search system according to an embodiment to which the present invention is applied will be described with reference to the drawings.

（第１の実施形態）
図１は、第１の実施形態の施設検索システムの構成を示す図である。本実施形態の施設検索システムは、車載装置１００と施設検索サーバ１５０とを備えている。車載装置１００は車両に搭載されている。また、施設検索サーバ１５０は、車両外部に設けられており、車載装置１００と無線回線を介して接続されている。具体的には、車載装置１００は、携帯電話機および基地局を介してインターネット経由で施設検索サーバ１５０に接続される場合の他、無線ＬＡＮ用の通信装置およびアクセスポイントを介してインターネット経由で施設検索サーバ１５０に接続される場合などが考えられる。 (First embodiment)
FIG. 1 is a diagram illustrating a configuration of a facility search system according to the first embodiment. The facility search system of this embodiment includes an in-vehicle device 100 and a facility search server 150. The in-vehicle device 100 is mounted on a vehicle. Further, the facility search server 150 is provided outside the vehicle and is connected to the in-vehicle device 100 via a wireless line. Specifically, the in-vehicle device 100 is connected to the facility search server 150 via the Internet via a mobile phone and a base station, or searches for facilities via the Internet via a wireless LAN communication device and an access point. The case where it connects to the server 150 etc. can be considered.

車載装置１００は、マイクロホン１１０、音声保存バッファ１１２、音声認識部１１４、認識辞書１１６、辞書生成部１１８、認識結果保存バッファ１２０、優先度調整部１２２、操作部１２４、認識結果表示処理部１２６、表示装置１２８、検索結果保存バッファ１３０、検索結果表示処理部１３２、通信部１３４を備えている。 The in-vehicle device 100 includes a microphone 110, a voice storage buffer 112, a voice recognition unit 114, a recognition dictionary 116, a dictionary generation unit 118, a recognition result storage buffer 120, a priority adjustment unit 122, an operation unit 124, a recognition result display processing unit 126, A display device 128, a search result storage buffer 130, a search result display processing unit 132, and a communication unit 134 are provided.

マイクロホン１１０は、利用者（話者）が発声する音声を集音する。集音された音声は、デジタルの音声データに変換された後、音声保存バッファ１１２に保存される。音声認識部１１４は、認識辞書１１６を用いて、音声保存バッファ１１２に保存された音声に対して音声認識処理を行う。辞書生成部１１８は、認識辞書１１６を作成する。辞書生成部１１８による認識辞書作成動作については後述する。 The microphone 110 collects sound uttered by the user (speaker). The collected sound is converted into digital sound data and stored in the sound storage buffer 112. The speech recognition unit 114 performs speech recognition processing on the speech stored in the speech storage buffer 112 using the recognition dictionary 116. The dictionary generation unit 118 creates the recognition dictionary 116. The recognition dictionary creation operation by the dictionary generation unit 118 will be described later.

認識結果保存バッファ１２０は、施設検索サーバ１５０側において行われる音声認識処理によって得られた１あるいは複数の認識候補を受信したときにこれらを保存する。優先度調整部１２２は、施設検索サーバ１５０側あるいは車載装置１００において行われる音声認識処理によって複数の認識候補が得られたときに、この中から優先順位が高い認識候補を選択する。いずれの認識候補を選択するかは、例えば、操作部１２４を操作した利用者によって指示される。 The recognition result storage buffer 120 stores one or a plurality of recognition candidates obtained by the voice recognition processing performed on the facility search server 150 side when they are received. When a plurality of recognition candidates are obtained by the voice recognition processing performed on the facility search server 150 side or the in-vehicle device 100, the priority adjustment unit 122 selects a recognition candidate having a high priority from these. Which recognition candidate is selected is instructed, for example, by the user who operates the operation unit 124.

認識結果表示処理部１２６は、音声認識処理によって得られた認識候補を表示装置１２８に表示する。検索結果保存バッファ１３０は、施設検索サーバ１５０側において行われる施設検索によって得られた施設情報を受信したときにこれを保存する。検索結果表示処理部１３２は、検索結果保存バッファ１３０に保持された施設情報を表示装置１２８に表示する。通信部１３４は、施設検索サーバ１５０との間で各種データ（音声、認識候補、施設情報や各種の制御データなど）を送信あるいは受信する。 The recognition result display processing unit 126 displays the recognition candidates obtained by the voice recognition processing on the display device 128. The search result storage buffer 130 stores the facility information obtained by the facility search performed on the facility search server 150 side when the facility information is received. The search result display processing unit 132 displays the facility information held in the search result storage buffer 130 on the display device 128. The communication unit 134 transmits or receives various data (speech, recognition candidates, facility information, various control data, etc.) with the facility search server 150.

また、施設検索サーバ１５０は、音声認識部１６０、認識辞書１６２、施設検索部１６４、施設ＤＢ（データベース）１６６、通信部１６８を備えている。 The facility search server 150 includes a voice recognition unit 160, a recognition dictionary 162, a facility search unit 164, a facility DB (database) 166, and a communication unit 168.

音声認識部１６０は、認識辞書１６２を用いて、車両側から送られてくる音声（音声保存バッファ１１２に保存された音声）に対して音声認識処理を行う。なお、車載装置１００側で行われる音声認識処理と、施設検索サーバ１５０側で行われる音声認識処理とは、望ましくは、互いに異なる音響モデルおよび照合アルゴリズムを用いて行われる。 Using the recognition dictionary 162, the speech recognition unit 160 performs speech recognition processing on speech sent from the vehicle side (speech stored in the speech storage buffer 112). The voice recognition process performed on the in-vehicle device 100 side and the voice recognition process performed on the facility search server 150 side are preferably performed using different acoustic models and matching algorithms.

施設検索部１６４は、車載装置１００側あるいは施設検索サーバ１５０側で行われる音声認識処理によって抽出された認識候補に対応する施設情報を、施設ＤＢ１６６から検索する。施設ＤＢ１６６は、検索候補となる施設情報を格納する。また、施設ＤＢ１６６に格納された施設情報は、定期的あるいは不定期的に更新されており、必要に応じて内容変更、追加、削除が適宜行われる。通信部１６８は、車載装置１００との間で各種データ（音声、認識候補、施設情報や各種の制御データなど）を送信あるいは受信する。 The facility search unit 164 searches the facility DB 166 for facility information corresponding to recognition candidates extracted by voice recognition processing performed on the in-vehicle device 100 side or the facility search server 150 side. The facility DB 166 stores facility information as search candidates. In addition, the facility information stored in the facility DB 166 is updated regularly or irregularly, and contents are changed, added, or deleted as necessary. The communication unit 168 transmits or receives various data (such as voice, recognition candidates, facility information, and various control data) to and from the in-vehicle device 100.

上述した音声保存バッファ１１２が音声保存手段に、認識辞書１１６が第１の認識辞書に、音声認識部１１４が第１の音声認識手段に、認識辞書１６２が第２の認識辞書に、音声認識部１６０が第２の音声認識手段に、優先度調整部１２２が認識結果決定手段に、辞書生成部１１８が辞書作成手段にそれぞれ対応する。また、上述した施設検索部１６４がコンテンツ検索手段に、施設ＤＢ１６６がコンテンツデータベースにそれぞれ対応する。 The speech storage buffer 112 described above is a speech storage unit, the recognition dictionary 116 is a first recognition dictionary, the speech recognition unit 114 is a first speech recognition unit, the recognition dictionary 162 is a second recognition dictionary, and a speech recognition unit. Reference numeral 160 corresponds to the second voice recognition unit, the priority adjustment unit 122 corresponds to the recognition result determination unit, and the dictionary generation unit 118 corresponds to the dictionary creation unit. The facility search unit 164 described above corresponds to a content search unit, and the facility DB 166 corresponds to a content database.

第１の実施形態の施設検索システムはこのような構成を有しており、次にその動作を説明する。図２は、利用者が発声した音声を取り込んでこの音声に対応する施設検索結果を表示するまでの第１の実施形態の一連の動作手順を示す流れ図である。 The facility search system of the first embodiment has such a configuration, and the operation thereof will be described next. FIG. 2 is a flowchart showing a series of operation procedures of the first embodiment from taking in the voice uttered by the user and displaying the facility search result corresponding to the voice.

利用者が施設検索用の音声を発声すると、この音声がマイクロホン１１０によって取り込まれ、対応する音声（音声データ）が音声保存バッファ１１２に保存される（ステップ１００）。この保存された音声は、通信部１３４によって施設検索サーバ１５０に向けて送信される（ステップ１０２）。 When the user utters a facility search sound, the sound is captured by the microphone 110, and the corresponding sound (sound data) is stored in the sound storage buffer 112 (step 100). The stored voice is transmitted to the facility search server 150 by the communication unit 134 (step 102).

施設検索サーバ１５０側では、通信部１６８によって、車載装置１００から送られてきた音声を受信すると、音声認識部１６０は、認識辞書１６２を用いてこの受信した音声に対して音声認識処理を行う（ステップ１０４）。この音声認識処理では、受信音声と認識辞書１６２に格納された複数の認識候補のそれぞれとの間で類似度が判定され、最大３つの認識候補が抽出される。なお、１つの認識候補の類似度が他の認識候補の類似度に比べて極端に大きい場合に（どの程度大きい場合に極端に大きいとするかは、設計時に適宜決めればよい）、この類似度が大きい１つの認識候補のみが抽出され、それ以外の場合には類似度が大きい順に３つの認識候補が抽出される。このようにして抽出された認識候補は通信部１６８によって車載装置１００側に送信される。 On the facility search server 150 side, when the voice sent from the in-vehicle device 100 is received by the communication unit 168, the voice recognition unit 160 performs voice recognition processing on the received voice using the recognition dictionary 162 ( Step 104). In this speech recognition process, the similarity is determined between the received speech and each of a plurality of recognition candidates stored in the recognition dictionary 162, and a maximum of three recognition candidates are extracted. It should be noted that when the similarity of one recognition candidate is extremely higher than the similarity of another recognition candidate (how large it is, it can be determined appropriately at the time of design). Only one recognition candidate with a large is extracted, and in other cases, three recognition candidates are extracted in descending order of similarity. The recognition candidates extracted in this way are transmitted to the in-vehicle device 100 side by the communication unit 168.

車載装置１００側では、通信部１３４によって、施設検索サーバ１５０から送られてきた認識結果を受信する（ステップ１０６）。受信した認識結果は、認識結果保存バッファ１２０に保存される。次に、優先度調整部１２２は、認識結果保存バッファ１２０に保存された認識結果が複数か否かを判定する（ステップ１０８）。複数の場合には肯定判断が行われ、次に、辞書生成部１１８は、認識結果としての文字列に対してＧＴＰ（Grapheme To Phoneme、書記素−音素変換）処理を行って、文字列の「よみ情報」を作成する（ステップ１１０）。また、辞書生成部１１８は、このよみ情報から音声認識処理用の動的な認識辞書を作成する（ステップ１１２）。例えば、よみ情報に対してＴＴＳ（Text-to-Speech）処理を行って音声波形を生成し、この音声波形について音声認識処理用の特徴抽出を行うことにより動的な認識辞書の作成が行われる。作成された認識辞書は、認識辞書１１６に追加、格納される。 On the in-vehicle device 100 side, the recognition result sent from the facility search server 150 is received by the communication unit 134 (step 106). The received recognition result is stored in the recognition result storage buffer 120. Next, the priority adjustment unit 122 determines whether or not there are a plurality of recognition results stored in the recognition result storage buffer 120 (step 108). In the case of a plurality of cases, an affirmative determination is made, and then the dictionary generation unit 118 performs GTP (Grapheme To Phoneme, grapheme-phoneme conversion) processing on the character string as the recognition result, and the character string “ "Reading information" is created (step 110). Further, the dictionary generation unit 118 creates a dynamic recognition dictionary for speech recognition processing from this reading information (step 112). For example, a TTS (Text-to-Speech) process is performed on the read information to generate a speech waveform, and a feature recognition for speech recognition processing is performed on the speech waveform to create a dynamic recognition dictionary. . The created recognition dictionary is added to and stored in the recognition dictionary 116.

次に、音声認識部１１４は、このようにして作成された動的な認識辞書を用いて、音声保存バッファ１１２に保存されている音声に対して音声認識処理を行う（ステップ１１４）。一般に、施設検索サーバ１５０側の音声認識処理と車載装置１００側の音声認識処理とを比較すると、コストや処理能力の制限が少ない分施設検索サーバ１５０側の音声認識処理の方が認識精度が高いといえる。しかし、車載装置１００から施設検索サーバ１５０に対して音声を送受信する際の帯域が狭いことや、車載装置１００側の処理ではロードノイズ等の影響を考慮した車載装置特有の音声認識処理を実現することができることなどから必ずしも車載装置１００側の音声認識処理の方が精度が低いとは限らない。特に、上述したように、少ない認識候補に対応した動的な認識辞書を作成した場合には、これらの認識候補については認識精度をかなり高めることができると考えられる。 Next, the speech recognition unit 114 performs speech recognition processing on the speech stored in the speech storage buffer 112 using the dynamic recognition dictionary created in this way (step 114). In general, when comparing the voice recognition process on the facility search server 150 side with the voice recognition process on the vehicle-mounted device 100 side, the voice recognition process on the facility search server 150 side has higher recognition accuracy because the cost and processing capacity are less limited. It can be said. However, the in-vehicle device-specific voice recognition processing that takes into account the influence of road noise or the like is realized in the processing on the in-vehicle device 100 side due to the narrow bandwidth when transmitting and receiving voice from the in-vehicle device 100 to the facility search server 150. Therefore, the accuracy of the voice recognition process on the in-vehicle device 100 side is not always lower. In particular, as described above, when a dynamic recognition dictionary corresponding to a small number of recognition candidates is created, it is considered that the recognition accuracy can be considerably improved for these recognition candidates.

次に、優先度調整部１２２は、ステップ１１４の音声認識処理によって複数の認識候補が得られたか否かを判定する（ステップ１１６）。この時点でも複数の認識候補の類似度が近く、１つの認識候補に絞り込めない場合には肯定判断が行われる。この場合には、優先度調整部１２２は、これら複数の認識候補について、音声保存バッファ１１２に保存された音声との類似度が大きい順に並べ替えを行い、最も類似度が大きい認識候補の表示位置が最も上位であって、しかも、強調表示となるように、これら複数の認識候補が選択肢として含まれる選択画面を認識結果表示処理部１２６によって表示装置１２８に表示させる（ステップ１１８）。このようにして選択画面が表示された状態で、優先度調整部１２２は、利用者が操作部１２４を操作することによりこの選択画面に含まれるいずれかの認識候補が選択されたか否かを判定する（ステップ１２０）。選択されるまで否定判断が行われ、ステップ１１８の表示が行われる。 Next, the priority adjustment unit 122 determines whether or not a plurality of recognition candidates has been obtained by the speech recognition processing in step 114 (step 116). Even at this time, the similarity of a plurality of recognition candidates is close, and if it cannot be narrowed down to one recognition candidate, a positive determination is made. In this case, the priority adjustment unit 122 rearranges the plurality of recognition candidates in descending order of the similarity with the voice stored in the voice storage buffer 112, and displays the recognition candidate with the highest similarity. Is displayed on the display device 128 by the recognition result display processing unit 126 (step 118) so that the selection result includes the plurality of recognition candidates as options so that they are highlighted. In a state where the selection screen is displayed in this way, the priority adjustment unit 122 determines whether any recognition candidate included in the selection screen is selected by the user operating the operation unit 124. (Step 120). A negative determination is made until selection is made, and the display in step 118 is performed.

また、利用者によって認識候補が選択されるとステップ１２０の判定において肯定判断が行われる。この場合には、あるいは、ステップ１１４の音声認識処理において１つの認識候補が抽出されてステップ１１６の判定において否定判断が行われた場合には、次に、優先度調整部１２２は、この選択された、あるいは、抽出された１つの選択候補を通信部１３４を介して施設検索サーバ１５０に向けて送信する（ステップ１２２）。 When a recognition candidate is selected by the user, an affirmative determination is made in the determination in step 120. In this case, or when one recognition candidate is extracted in the speech recognition process in step 114 and a negative determination is made in the determination in step 116, the priority adjustment unit 122 next selects this. Alternatively, one extracted selection candidate is transmitted to the facility search server 150 via the communication unit 134 (step 122).

施設検索サーバ１５０では、通信部１６８によって、車載装置１００から送られてくる１つの認識候補を受信すると、施設検索部１６４は、この認識候補を検索キーワードとして施設検索を行い、施設ＤＢ１６６に格納された施設情報の中から１あるいは複数の施設に関する施設情報を抽出する（ステップ１２４）。抽出された施設情報は通信部１６８から車載装置１００に向けて送信される。車載装置１００では、通信部１３４によって、施設検索サーバ１５０から送られてきた施設情報を受信する（ステップ１２６）。この受信した施設情報は、検索結果保存バッファ１３０に一旦保存された後、検索結果表示処理部１３２によって読み出されてその内容が表示装置１２８に表示される（ステップ１２８）。なお、施設検索サーバ１５０による音声認識処理によって１つの認識結果のみが抽出された場合（ステップ１０８の判定において否定判断された場合）には、車載装置１００における動的な認識辞書による音声認識処理は省略され、ただちにステップ１２４の施設検索が実施される。 In the facility search server 150, when one recognition candidate sent from the in-vehicle device 100 is received by the communication unit 168, the facility search unit 164 performs a facility search using the recognition candidate as a search keyword and is stored in the facility DB 166. The facility information relating to one or a plurality of facilities is extracted from the facility information (step 124). The extracted facility information is transmitted from the communication unit 168 toward the in-vehicle device 100. In the in-vehicle device 100, the facility information transmitted from the facility search server 150 is received by the communication unit 134 (step 126). The received facility information is temporarily stored in the search result storage buffer 130, then read out by the search result display processing unit 132, and the contents thereof are displayed on the display device 128 (step 128). When only one recognition result is extracted by the voice recognition process by the facility search server 150 (when a negative determination is made in step 108), the voice recognition process by the dynamic recognition dictionary in the in-vehicle device 100 is performed. The facility search in step 124 is performed immediately.

このように、本実施形態の施設検索システムでは、２組の認識辞書と音声認識部を用いて同じ音声に対して音声認識処理を行うことにより、認識精度を上げることが可能となる。これにより、１つの認識候補（語彙）を決定する可能性が高まり、複数の認識候補の中から利用者自身が正解となる認識候補を選択する機会が減るため、操作の簡略化が可能となる。 As described above, in the facility search system according to the present embodiment, it is possible to improve recognition accuracy by performing voice recognition processing on the same voice using two sets of recognition dictionaries and a voice recognition unit. As a result, the possibility of determining one recognition candidate (vocabulary) is increased, and the opportunity for the user himself / herself to select a recognition candidate that is the correct answer from a plurality of recognition candidates is reduced, thereby simplifying the operation. .

また、車載装置１００と施設検索サーバ１５０とで、処理時間と認識精度の異なる２種類の音声認識処理を組み合わせることになり、必要に応じて認識精度を上げることが可能となる。特に、音響モデルと照合アルゴリズムが異なる２種類の音声認識処理を組み合わせることにより、同時に誤認識が発生する可能性が低くなるため、認識精度を上げることができる。また、車両（車載装置１００）に設けられた音声認識部１１４による音声認識処理と、施設検索サーバ１５０に設けられた音声認識部１６０による音声認識処理とを併用することにより、必要に応じて認識精度を上げることが可能となる。 In addition, the in-vehicle device 100 and the facility search server 150 combine two types of voice recognition processes having different processing times and recognition accuracy, and the recognition accuracy can be increased as necessary. In particular, by combining two types of speech recognition processes with different acoustic models and matching algorithms, the possibility of erroneous recognition occurring at the same time is reduced, so that the recognition accuracy can be increased. Moreover, it recognizes as needed by using together the speech recognition process by the speech recognition part 114 provided in the vehicle (vehicle-mounted apparatus 100), and the speech recognition process by the speech recognition part 160 provided in the facility search server 150. The accuracy can be increased.

また、施設検索サーバ１５０側の音声認識処理によって複数の認識候補を抽出した後、車載装置１００側の音声認識処理によってこれら複数の認識候補の中から入力音声に最も近いものを抽出することができるため、一方の音声認識部１６０のみで認識候補を決定する場合に比べて大幅に認識精度を向上させることができる。また、施設検索サーバ１５０側の音声認識処理によって１つの認識候補に絞られたときに、入力音声に対応する最終的な認識候補として決定することにより、不要な処理（車載装置１００側の音声認識処理）を削減して最終的な認識候補を決定するまでの時間を短縮することができる。 In addition, after extracting a plurality of recognition candidates by the voice recognition process on the facility search server 150 side, the one closest to the input voice can be extracted from the plurality of recognition candidates by the voice recognition process on the in-vehicle device 100 side. Therefore, the recognition accuracy can be greatly improved as compared with the case where the recognition candidate is determined by only one speech recognition unit 160. In addition, when a single recognition candidate is selected by the voice recognition processing on the facility search server 150 side, it is determined as a final recognition candidate corresponding to the input voice, thereby eliminating unnecessary processing (voice recognition on the in-vehicle device 100 side). The time required to determine the final recognition candidate can be shortened.

また、上述した辞書作成手段は、複数の認識候補のそれぞれに対応する読みを書記素−音素変換により生成し、この読みを音声波形に変換することにより、第１の認識辞書を作成することが望ましい。これにより、複数の認識候補の中から入力音声に最も類似するものを正確に決定することができる。 Further, the dictionary creation means described above can create a first recognition dictionary by generating a reading corresponding to each of a plurality of recognition candidates by grapheme-phoneme conversion and converting the reading into a speech waveform. desirable. Thereby, it is possible to accurately determine the most similar to the input speech from among a plurality of recognition candidates.

また、上述したような認識精度が高く操作が簡単な音声認識手法を施設検索システムに適用することにより、施設情報が得られるまでの操作を簡略化することができる。また、施設検索サーバ１５０側で施設検索を行うことにより、車載装置側で同様の施設検索を行う場合に比べて、検索対象となる施設の数を増加させるとともに最新の施設情報を得ることが可能となる。 In addition, by applying the speech recognition method with high recognition accuracy and easy operation as described above to the facility search system, the operation until facility information is obtained can be simplified. In addition, by performing a facility search on the facility search server 150 side, it is possible to increase the number of facilities to be searched and obtain the latest facility information as compared to the case where a similar facility search is performed on the in-vehicle device side. It becomes.

（第１の参考実施形態）
次に、第１の参考実施形態の施設検索システムについて説明する。本実施形態の施設検索システムでは、車載装置側で入力音声に対して音声認識処理を行うが、その認識結果が誤りであった場合に、施設検索サーバ側に同じ入力音声についての音声認識処理を依頼する。 ( First Reference Embodiment)
Next, the facility search system of the first reference embodiment will be described. In the facility search system of the present embodiment, voice recognition processing is performed on the input voice on the in-vehicle device side, but if the recognition result is incorrect, the facility search server side performs voice recognition processing on the same input voice. Ask.

図３は、第１の参考実施形態の施設検索システムの構成を示す図である。本実施形態の施設検索システムは、車載装置１００Ａと施設検索サーバ１５０Ａとを備えている。これらに含まれる各構成は、図１に示した車載装置１００と施設検索サーバ１５０に含まれる各構成と基本的に共通するものであり、一部が削除されるとともに信号の入出力経路が一部変更されているが、基本的な動作が共通するものについては説明は省略するものとする。車載装置１００Ａに含まれる認識結果表示処理部１２６、表示装置１２８が通知手段に、操作部１２４が操作手段にそれぞれ対応する。 FIG. 3 is a diagram illustrating a configuration of the facility search system according to the first reference embodiment. The facility search system of the present embodiment includes an in-vehicle device 100A and a facility search server 150A. The components included in these are basically the same as the components included in the in-vehicle device 100 and the facility search server 150 shown in FIG. Although some parts have been changed, the description of those having the same basic operation will be omitted. The recognition result display processing unit 126 and the display device 128 included in the in-vehicle device 100A correspond to the notification unit, and the operation unit 124 corresponds to the operation unit.

図４は、利用者が発声した音声を取り込んでこの音声に対応する施設検索結果を表示す
るまでの第１の参考実施形態の一連の動作手順を示す流れ図である。 FIG. 4 is a flowchart showing a series of operation procedures of the first reference embodiment from taking in the voice uttered by the user and displaying the facility search result corresponding to the voice.

利用者が施設検索用の音声を発声すると、この音声がマイクロホン１１０によって取り込まれ、対応する音声（音声データ）が音声保存バッファ１１２に保存される（ステップ２００）。次に、音声認識部１１４は、認識辞書１１６を用いて、音声保存バッファ１１２に保存されている音声に対して音声認識処理を行う（ステップ２０２）。この音声認識処理によって、入力音声との類似度が最も大きい１つの認識候補が抽出される。なお、第１の実施形態では、認識辞書１１６に含まれる動的な認識辞書を用いて音声認識処理が行われたが、ステップ２０２の音声認識処理は、予め作成された一般的な内容を有する認識辞書１１６を用いて行われる。優先度調整部１２２は、抽出された認識候補が含まれる確認画面を認識結果表示処理部１２６によって表示装置１２８に表示させる（ステップ２０４）。このようにして確認画面が表示された状態で、優先度調整部１２２は、利用者が操作部１２４を操作することによりこの確認画面に含まれる認識候補が正解であることを示す所定の操作がなされたか否かを判定する（ステップ２０６）。正解でない場合（認識候補が誤りである場合）には否定判断が行われる。 When the user utters the facility search sound, the sound is captured by the microphone 110, and the corresponding sound (sound data) is stored in the sound storage buffer 112 (step 200). Next, the speech recognition unit 114 performs speech recognition processing on the speech stored in the speech storage buffer 112 using the recognition dictionary 116 (step 202). By this voice recognition process, one recognition candidate having the highest similarity with the input voice is extracted. In the first embodiment, the voice recognition process is performed using the dynamic recognition dictionary included in the recognition dictionary 116, but the voice recognition process in step 202 has general contents created in advance. This is done using the recognition dictionary 116. The priority adjustment unit 122 causes the recognition result display processing unit 126 to display a confirmation screen including the extracted recognition candidates on the display device 128 (step 204). With the confirmation screen displayed in this manner, the priority adjustment unit 122 performs a predetermined operation indicating that the recognition candidate included in the confirmation screen is correct when the user operates the operation unit 124. It is determined whether or not it has been made (step 206). If the answer is not correct (if the recognition candidate is incorrect), a negative determination is made.

次に、優先度調整部１２２は、音声保存バッファ１１２に保存された音声を通信部１３４によって施設検索サーバ１５０Ａに向けて送信する（ステップ２０８）。施設検索サーバ１５０Ａ側では、通信部１６８によって、車載装置１００Ａから送られてきた音声を受信すると、音声認識部１６０は、認識辞書１６２を用いてこの受信した音声に対して音声認識処理を行う（ステップ２１０）。この音声認識処理では、受信音声と認識辞書１６２に格納された複数の認識候補のそれぞれとの間で類似度が判定され、最大で所定個数の認識候補が抽出される。なお、１つの認識候補の類似度が他の認識候補の類似度に比べて極端に大きい場合に、この類似度が大きい１つの認識候補のみが抽出され、それ以外の場合には類似度が大きい順に複数の認識候補が抽出される。このようにして抽出された認識候補は通信部１６８によって車載装置１００Ａ側に送信される。 Next, the priority adjustment unit 122 transmits the voice stored in the voice storage buffer 112 to the facility search server 150A through the communication unit 134 (step 208). On the facility search server 150A side, when the communication unit 168 receives the voice transmitted from the in-vehicle device 100A, the voice recognition unit 160 performs voice recognition processing on the received voice using the recognition dictionary 162 ( Step 210). In this speech recognition process, a similarity is determined between the received speech and each of a plurality of recognition candidates stored in the recognition dictionary 162, and a predetermined number of recognition candidates are extracted at the maximum. In addition, when the similarity of one recognition candidate is extremely larger than the similarity of other recognition candidates, only one recognition candidate having a large similarity is extracted, and in other cases, the similarity is large. A plurality of recognition candidates are extracted in order. The recognition candidates extracted in this way are transmitted to the in-vehicle device 100A side by the communication unit 168.

車載装置１００Ａ側では、通信部１３４によって、施設検索サーバ１５０Ａから送られてきた認識結果を受信する（ステップ２１２）。受信した認識結果は、認識結果保存バッファ１２０に保存される。次に、優先度調整部１２２は、認識結果保存バッファ１２０に保存された認識結果が複数か否かを判定する（ステップ２１４）。複数の場合には肯定判断が行われる。この場合には、優先度調整部１２２は、これら複数の認識候補が選択肢として含まれる選択画面を認識結果表示処理部１２６によって表示装置１２８に表示させる（ステップ２１６）。このようにして選択画面が表示された状態で、優先度調整部１２２は、利用者が操作部１２４を操作することによりこの選択画面に含まれるいずれかの認識候補が選択されたか否かを判定する（ステップ２１８）。選択されるまで否定判断が行われ、ステップ２１６の表示が行われる。 On the in-vehicle device 100A side, the communication unit 134 receives the recognition result sent from the facility search server 150A (step 212). The received recognition result is stored in the recognition result storage buffer 120. Next, the priority adjustment unit 122 determines whether or not there are a plurality of recognition results stored in the recognition result storage buffer 120 (step 214). In the case of multiple cases, an affirmative determination is made. In this case, the priority adjustment unit 122 causes the display device 128 to display the selection screen including the plurality of recognition candidates as options by the recognition result display processing unit 126 (step 216). In a state where the selection screen is displayed in this way, the priority adjustment unit 122 determines whether any recognition candidate included in the selection screen is selected by the user operating the operation unit 124. (Step 218). A negative determination is made until selection is made, and the display in step 216 is performed.

また、利用者によって認識候補が選択されるとステップ２１８の判定において肯定判断が行われる。この場合には、あるいは、ステップ２０６の正解判定で肯定判断が行われた場合には、次に、優先度調整部１２２は、この選択された、あるいは、正しいと判定された１つの認識候補を通信部１３４を介して施設検索サーバ１５０Ａに向けて送信する（ステップ２２０）。 When a recognition candidate is selected by the user, an affirmative determination is made in the determination in step 218. In this case, or when an affirmative determination is made in the correct answer determination in step 206, the priority adjustment unit 122 next selects one recognition candidate that is selected or determined to be correct. It transmits toward the facility search server 150A via the communication unit 134 (step 220).

施設検索サーバ１５０Ａでは、通信部１６８によって、車載装置１００Ａから送られてくる１つの認識候補を受信すると、施設検索部１６４は、この認識候補を検索キーワードとして施設検索を行い、施設ＤＢ１６６に格納された施設情報の中から１あるいは複数の施設に関する施設情報を抽出する（ステップ２２２）。抽出された施設情報は通信部１６８から車載装置１００Ａに向けて送信される。車載装置１００Ａでは、通信部１３４によって、施設検索サーバ１５０Ａから送られてきた施設情報を受信する（ステップ２２４）。この受信した施設情報は、検索結果保存バッファ１３０に一旦保存された後、検索結果表示処理部１３２によって読み出されてその内容が表示装置１２８に表示される（ステップ２２６）。なお、施設検索サーバ１５０Ａによる音声認識処理によって１つの認識結果のみが抽出された場合（ステップ２１４の判定において否定判断）には、車載装置１００Ａにおける選択画面表示による認識候補の選択動作等は省略され、ただちにステップ２２２の施設検索が実施される。 In the facility search server 150A, when one recognition candidate sent from the in-vehicle device 100A is received by the communication unit 168, the facility search unit 164 performs a facility search using the recognition candidate as a search keyword, and is stored in the facility DB 166. The facility information regarding one or a plurality of facilities is extracted from the facility information (step 222). The extracted facility information is transmitted from the communication unit 168 toward the in-vehicle device 100A. In the in-vehicle device 100A, the facility information transmitted from the facility search server 150A is received by the communication unit 134 (step 224). The received facility information is temporarily stored in the search result storage buffer 130, and then read out by the search result display processing unit 132, and the contents are displayed on the display device 128 (step 226). When only one recognition result is extracted by the voice recognition process by the facility search server 150A (No in the determination in step 214), the selection operation of the recognition candidate by the selection screen display in the in-vehicle device 100A is omitted. Immediately, the facility search in step 222 is performed.

このように、本実施形態の施設検索システムでは、車載装置１００Ａ側の認識結果が誤りであった場合に、施設検索サーバ１５０Ａ側に音声認識処理を依頼しており、必要に応じて施設検索サーバ１５０Ａ側の音声認識処理を実施して認識候補を得ることにより、認識精度を上げることができる。また、入力音声については、車載装置１００Ａの音声保存バッファ１１２に保存されたものを用いることができるため、発声を繰り返す必要がなく、これに伴う操作の簡略化および処理時間の短縮が可能となる。また、車載装置１００Ａ側の音声認識処理の認識結果が誤っているか否かを利用者自身が操作部１２４を操作して直接指示することになるため、認識誤りが確実な場合に限って施設検索サーバ１５０Ａによる音声認識処理を実施することにより、処理の簡略化による処理時間の短縮が可能となる。 As described above, in the facility search system of this embodiment, when the recognition result on the in-vehicle device 100A side is incorrect, the facility search server 150A side is requested to perform voice recognition processing, and the facility search server is used as necessary. The recognition accuracy can be improved by performing recognition processing on the 150A side to obtain recognition candidates. Further, since the input voice can be stored in the voice saving buffer 112 of the in-vehicle device 100A, it is not necessary to repeat the utterance, and it is possible to simplify the operation and shorten the processing time. . Further, since the user himself / herself directly instructs whether or not the recognition result of the voice recognition processing on the in-vehicle device 100A side is wrong, the facility search is performed only when the recognition error is certain. By performing the voice recognition processing by the server 150A, it is possible to shorten the processing time by simplifying the processing.

（第２の参考実施形態）
次に、第２の参考実施形態の施設検索システムについて説明する。本実施形態の施設検索システムでは、施設検索サーバ側の音声認識処理によって得られた認識候補が正しいことが確かめられ後に、この認識候補に対応して第１の実施形態と同様の動的な認識辞書を作成して車載装置側で音声認識処理を行う。 ( Second Reference Embodiment)
Next, the facility search system of the second reference embodiment will be described. In the facility search system of this embodiment, after confirming that the recognition candidate obtained by the speech recognition processing on the facility search server side is correct, the dynamic recognition similar to the first embodiment corresponding to this recognition candidate is performed. Create a dictionary and perform voice recognition on the in-vehicle device.

図５は、第２の参考実施形態の施設検索システムの構成を示す図である。本実施形態の施設検索システムは、車載装置１００Ｂと施設検索サーバ１５０Ｂとを備えている。これらに含まれる各構成は、図１に示した車載装置１００と施設検索サーバ１５０に含まれる各構成と基本的に共通するものであり、信号の入出力経路が一部変更されているが、基本的な動作が共通するものについては説明は省略するものとする。 FIG. 5 is a diagram illustrating a configuration of the facility search system according to the second reference embodiment. The facility search system of the present embodiment includes an in-vehicle device 100B and a facility search server 150B. Each configuration included in these is basically the same as each configuration included in the in-vehicle device 100 and the facility search server 150 shown in FIG. 1, and the signal input / output path is partially changed. The description of those having the same basic operation is omitted.

図６は、利用者が発声した音声を取り込んでこの音声に対応する施設検索結果を表示するまでの第２の参考実施形態の一連の動作手順を示す流れ図である。 FIG. 6 is a flowchart showing a series of operation procedures of the second reference embodiment from taking in the voice uttered by the user and displaying the facility search result corresponding to the voice.

利用者が施設検索用の音声を発声すると、この音声がマイクロホン１１０によって取り込まれ、対応する音声（音声データ）が音声保存バッファ１１２に保存される（ステップ３００）。次に、音声認識部１１４は、認識辞書１１６に含まれる動的な認識辞書（後述するステップ３２２で作成される）を用いて、音声保存バッファ１１２に保存されている音声に対して音声認識処理を行う（ステップ３０２）。優先度調整部１２２は、この音声認識処理の結果に基づいて、過去に施設検索サーバ１５０Ｂによる音声認識処理によって抽出された認識候補が正しいことが確かめられた音声と今回音声認識処理の対象になっている音声とが同一であるか否かを判定する（ステップ３０４）。ステップ３０２の音声認識処理において、既に作成されている動的な認識辞書が存在する音声は、過去に施設検索サーバ１５０Ｂによる音声認識処理によって抽出された認識候補が正しいことが確かめられた音声であるといえる。反対に、対応する動的な認識辞書が存在しない音声が音声認識処理の対象である場合にはステップ３０４の判定において否定判断が行われる。 When the user utters the facility search sound, the sound is captured by the microphone 110 and the corresponding sound (sound data) is stored in the sound storage buffer 112 (step 300). Next, the speech recognition unit 114 uses a dynamic recognition dictionary (created in step 322 described later) included in the recognition dictionary 116 to perform speech recognition processing on the speech stored in the speech storage buffer 112. (Step 302). Based on the result of this voice recognition processing, the priority adjustment unit 122 becomes the target of the voice for which the recognition candidate previously extracted by the voice recognition processing by the facility search server 150B is correct and the current voice recognition processing. It is determined whether or not the current voice is the same (step 304). In the speech recognition process of step 302, the speech in which a dynamic recognition dictionary that has already been created exists is a speech for which it has been confirmed that the recognition candidates previously extracted by the speech recognition processing by the facility search server 150B are correct. It can be said. On the other hand, when a voice for which no corresponding dynamic recognition dictionary exists is a target of voice recognition processing, a negative determination is made in the determination in step 304.

ステップ３０４の判定において否定判断がなされると、次に、優先度調整部１２２は、音声保存バッファ１１２に保存された音声を通信部１３４によって施設検索サーバ１５０Ｂに向けて送信する（ステップ３０６）。施設検索サーバ１５０Ｂ側では、通信部１６８によって、車載装置１００Ｂから送られてきた音声を受信すると、音声認識部１６０は、認識辞書１６２を用いてこの受信した音声に対して音声認識処理を行う（ステップ３０８）。この音声認識処理では、受信音声と認識辞書１６２に格納された複数の認識候補のそれぞれとの間で類似度が判定され、最大で所定個数の認識候補が抽出される。なお、１つの認識候補の類似度が他の認識候補の類似度に比べて極端に大きい場合に、この類似度が大きい１つの認識候補のみが抽出され、それ以外の場合には類似度が大きい順に複数の認識候補が抽出される。このようにして抽出された認識候補は通信部１６８によって車載装置１００Ｂ側に送信される。 If a negative determination is made in the determination in step 304, then the priority adjustment unit 122 transmits the audio stored in the audio storage buffer 112 to the facility search server 150B by the communication unit 134 (step 306). On the facility search server 150B side, when the voice transmitted from the in-vehicle device 100B is received by the communication unit 168, the voice recognition unit 160 performs voice recognition processing on the received voice using the recognition dictionary 162 ( Step 308). In this speech recognition process, a similarity is determined between the received speech and each of a plurality of recognition candidates stored in the recognition dictionary 162, and a predetermined number of recognition candidates are extracted at the maximum. In addition, when the similarity of one recognition candidate is extremely larger than the similarity of other recognition candidates, only one recognition candidate having a large similarity is extracted, and in other cases, the similarity is large. A plurality of recognition candidates are extracted in order. The recognition candidates extracted in this way are transmitted to the in-vehicle device 100B side by the communication unit 168.

車載装置１００Ｂ側では、通信部１３４によって、施設検索サーバ１５０Ｂから送られてきた認識結果を受信する（ステップ３１０）。受信した認識結果は、認識結果保存バッファ１２０に保存される。次に、優先度調整部１２２は、認識結果保存バッファ１２０に保存された認識結果が複数か否かを判定する（ステップ３１２）。複数の場合には肯定判断が行われる。この場合には、優先度調整部１２２は、これら複数の認識候補が選択肢として含まれる選択画面を認識結果表示処理部１２６によって表示装置１２８に表示させる（ステップ３１４）。このようにして選択画面が表示された状態で、優先度調整部１２２は、利用者が操作部１２４を操作することによりこの選択画面に含まれるいずれかの認識候補が選択されたか否かを判定する（ステップ３１６）。選択されるまで否定判断が行われ、ステップ３１４の表示が行われる。 On the in-vehicle device 100B side, the communication unit 134 receives the recognition result sent from the facility search server 150B (step 310). The received recognition result is stored in the recognition result storage buffer 120. Next, the priority adjustment unit 122 determines whether there are a plurality of recognition results stored in the recognition result storage buffer 120 (step 312). In the case of multiple cases, an affirmative determination is made. In this case, the priority adjustment unit 122 causes the display device 128 to display the selection screen including the plurality of recognition candidates as options by the recognition result display processing unit 126 (step 314). In a state where the selection screen is displayed in this way, the priority adjustment unit 122 determines whether any recognition candidate included in the selection screen is selected by the user operating the operation unit 124. (Step 316). A negative determination is made until it is selected, and the display in step 314 is performed.

また、利用者によって認識候補が選択されるとステップ３１６の判定において肯定判断が行われる。次に、優先度調整部１２２は、この選択された認識候補を通信部１３４を介して施設検索サーバ１５０Ｂに向けて送信する（ステップ３１８）。 If a recognition candidate is selected by the user, an affirmative determination is made in the determination in step 316. Next, the priority adjustment unit 122 transmits the selected recognition candidate to the facility search server 150B via the communication unit 134 (step 318).

次に、ステップ３１６で選択された１つの認識候補について、あるいは、施設検索サーバ１５０Ｂから受信した認識候補が１つだった場合（ステップ３１２の判定において否定判断）にはその認識候補について、辞書生成部１１８は、認識結果としての文字列に対してＧＴＰ処理を行って、文字列の「よみ情報」を作成する（ステップ３２０）。また、辞書生成部１１８は、このよみ情報から音声認識処理用の動的な認識辞書とこのよみ情報に対応する文字情報（よみ情報そのものを文字情報として用いるが場合や、ＧＴＰ処理を行う前の認識結果としての文字列を文字情報として用いる場合などが考えられる）を作成する（ステップ３２２）。作成された動的な認識辞書は、認識辞書１１６に追加、格納される。 Next, for one recognition candidate selected in step 316 or when there is one recognition candidate received from the facility search server 150B (negative determination in the determination of step 312), dictionary generation is performed for that recognition candidate. The unit 118 performs GTP processing on the character string as the recognition result to create “reading information” of the character string (step 320). Further, the dictionary generation unit 118 uses the dynamic recognition dictionary for voice recognition processing and character information corresponding to the reading information (when the reading information itself is used as the character information or before performing the GTP processing. A character string as a recognition result may be used as character information) (step 322). The created dynamic recognition dictionary is added to and stored in the recognition dictionary 116.

なお、作成された文字情報は、動的な認識辞書に対応づけられて認識辞書１１６の一部に保存されており、いずれかの動的な認識辞書を用いて認識候補の抽出が行われたときに、この動的な認識辞書に対応する文字情報も同時に認識辞書１１６から読み出され、音声認識部１１４から優先度調整部１２２に入力されるようになっている。したがって、優先度調整部１２２は、この文字情報の有無を調べるだけでステップ３０４の判定を行うことができる。 The created character information is stored in a part of the recognition dictionary 116 in association with a dynamic recognition dictionary, and recognition candidates are extracted using any of the dynamic recognition dictionaries. Sometimes, the character information corresponding to the dynamic recognition dictionary is also read from the recognition dictionary 116 at the same time, and is input from the speech recognition unit 114 to the priority adjustment unit 122. Therefore, the priority adjustment unit 122 can make the determination in step 304 only by examining the presence or absence of this character information.

対応する文字情報が存在する場合にはステップ３０４の判定において肯定判断が行われる。この場合には、優先度調整部１２２は、入力された文字情報を通信部１３４によって施設検索サーバ１５０Ｂに向けて送信する（ステップ３２４）。 If the corresponding character information exists, an affirmative determination is made in the determination in step 304. In this case, the priority adjustment unit 122 transmits the input character information to the facility search server 150B by the communication unit 134 (step 324).

施設検索サーバ１５０Ｂでは、通信部１６８によって、車載装置１００Ｂから送られてくる１つの認識候補（ステップ３１８で送信）や文字情報（ステップ３２４で送信）を受信すると、施設検索部１６４は、この認識候補あるいは文字情報を検索キーワードとして施設検索を行い、施設ＤＢ１６６に格納された施設情報の中から１あるいは複数の施設に関する施設情報を抽出する（ステップ３２６）。抽出された施設情報は通信部１６８から車載装置１００Ｂに向けて送信される。車載装置１００Ｂでは、通信部１３４によって、施設検索サーバ１５０Ｂから送られてきた施設情報を受信する（ステップ３２８）。この受信した施設情報は、検索結果保存バッファ１３０に一旦保存された後、検索結果表示処理部１３２によって読み出されてその内容が表示装置１２８に表示される（ステップ３３０）。 In the facility search server 150B, when the communication unit 168 receives one recognition candidate (transmitted in step 318) or character information (transmitted in step 324) sent from the in-vehicle device 100B, the facility search unit 164 A facility search is performed using candidate or character information as a search keyword, and facility information relating to one or a plurality of facilities is extracted from the facility information stored in the facility DB 166 (step 326). The extracted facility information is transmitted from the communication unit 168 toward the in-vehicle device 100B. In the in-vehicle device 100B, the facility information transmitted from the facility search server 150B is received by the communication unit 134 (step 328). The received facility information is temporarily stored in the search result storage buffer 130, then read out by the search result display processing unit 132, and the contents thereof are displayed on the display device 128 (step 330).

このように、本実施形態の施設検索システムでは、施設検索サーバ１５０Ｂ側の音声認識処理によって正しい認識結果が得られた音声について車載装置１００Ｂ側において動的な認識辞書が作成されるため、この音声については次回以降に車載装置１００Ｂ側の音声認識処理の認識精度を上げることが可能となる。また、この音声については、次回以降は、施設検索サーバ１５０Ｂ側における音声認識処理が不要となるため、施設検索に要する時間を短縮することができる。特に、文字情報を検索キーワードとして用いることにより、施設検索サーバ１５０Ｂにおける施設検索処理を簡略化することができる。 As described above, in the facility search system of the present embodiment, a dynamic recognition dictionary is created on the in-vehicle device 100B side for the speech for which a correct recognition result is obtained by the speech recognition processing on the facility search server 150B side. For the next and subsequent times, it is possible to increase the recognition accuracy of the voice recognition processing on the in-vehicle device 100B side. Further, for this voice, the voice recognition process on the facility search server 150B side becomes unnecessary after the next time, and the time required for the facility search can be shortened. In particular, by using character information as a search keyword, the facility search process in the facility search server 150B can be simplified.

（第３の参考実施形態）
次に、第３の参考実施形態の施設検索システムについて説明する。本実施形態の施設検索システムでは、車載装置と施設検索サーバの両方において、入力音声に対する音声認識処理およびその認識結果を用いた施設検索処理を並行して行い、結果が先に得られる車載装置側の検索結果を先に表示し、結果が後から得られる施設検索サーバ側の検索結果については必要に応じて表示するようにした。 ( Third reference embodiment)
Next, the facility search system of the third reference embodiment will be described. In the facility search system of this embodiment, both the in-vehicle device and the facility search server perform the speech recognition process for the input voice and the facility search process using the recognition result in parallel, and the result is obtained first. The search results on the facility search server side where the results are obtained later are displayed as needed.

図７は、第３の参考実施形態の施設検索システムの構成を示す図である。本実施形態の施設検索システムは、車載装置１００Ｃと施設検索サーバ１５０Ｃとを備えている。これらに含まれる各構成は、図１に示した車載装置１００と施設検索サーバ１５０に含まれる各構成と基本的に共通するものであり、一部が削除あるいは追加されるとともに信号の入出力経路が一部変更されているが、基本的な動作が共通するものについては説明は省略するものとする。車載装置１００Ｃに含まれる施設検索部１４０が第１のコンテンツ検索手段に、施設ＤＢ１４２が第１のコンテンツデータベースに、施設検索サーバ１５０Ｃに含まれる施設検索部１６４が第２のコンテンツ検索手段に、施設ＤＢ１６６が第２のコンテンツデータベースにそれぞれ対応する。車載装置１００Ｃ内の施設検索部１４０および施設ＤＢ１４２は、施設検索サーバ１５０Ｃ内の施設検索部１６４および施設ＤＢ１６６と比べて基本的に同じものである。また、検索結果保存バッファ１４４には、施設検索部１４０の施設検索によって抽出された施設情報が保存される。 FIG. 7 is a diagram illustrating a configuration of a facility search system according to the third reference embodiment. The facility search system of the present embodiment includes an in-vehicle device 100C and a facility search server 150C. Each component included in these is basically the same as each component included in the in-vehicle device 100 and the facility search server 150 shown in FIG. Are partially changed, but description of those having the same basic operation is omitted. The facility search unit 140 included in the in-vehicle device 100C is used as the first content search unit, the facility DB 142 is used as the first content database, and the facility search unit 164 included in the facility search server 150C is used as the second content search unit. The DB 166 corresponds to the second content database. The facility search unit 140 and the facility DB 142 in the in-vehicle device 100C are basically the same as the facility search unit 164 and the facility DB 166 in the facility search server 150C. The search result storage buffer 144 stores facility information extracted by the facility search of the facility search unit 140.

図８は、利用者が発声した音声を取り込んでこの音声に対応する施設検索結果を表示するまでの第３の参考実施形態の一連の動作手順を示す流れ図である。 FIG. 8 is a flowchart showing a series of operation procedures of the third reference embodiment from taking in the voice uttered by the user and displaying the facility search result corresponding to the voice.

利用者が施設検索用の音声を発声すると、この音声がマイクロホン１１０によって取り込まれ、対応する音声（音声データ）が音声保存バッファ１１２に保存される（ステップ４００）。次に、音声認識部１１４は、認識辞書１１６を用いて、音声保存バッファ１１２に保存されている音声に対して音声認識処理を行う（ステップ４０２）。この音声認識処理によって、入力音声との類似度が最も大きい１つの認識候補が抽出される。なお、第１の実施形態では、認識辞書１１６に含まれる動的な認識辞書を用いて音声認識処理が行われたが、ステップ４０２の音声認識処理は、予め作成された一般的な内容を有する認識辞書１１６を用いて行われる。 When the user utters the facility search sound, the sound is captured by the microphone 110 and the corresponding sound (sound data) is stored in the sound storage buffer 112 (step 400). Next, the speech recognition unit 114 performs speech recognition processing on the speech stored in the speech storage buffer 112 using the recognition dictionary 116 (step 402). By this voice recognition process, one recognition candidate having the highest similarity with the input voice is extracted. In the first embodiment, the speech recognition processing is performed using the dynamic recognition dictionary included in the recognition dictionary 116. However, the speech recognition processing in step 402 has general contents created in advance. This is done using the recognition dictionary 116.

次に、施設検索部１４０は、音声認識部１１４によって抽出された認識候補を検索キーワードとして施設検索を行い、施設ＤＢ１４２に格納された施設情報の中から１あるいは複数の施設に関する施設情報を抽出する（ステップ４０４）。この抽出された施設情報は、検索結果表示処理部１３２によってその内容が表示装置１２８に表示される（ステップ４０６）。 Next, the facility search unit 140 performs a facility search using the recognition candidates extracted by the voice recognition unit 114 as a search keyword, and extracts facility information regarding one or a plurality of facilities from the facility information stored in the facility DB 142. (Step 404). The contents of the extracted facility information are displayed on the display device 128 by the search result display processing unit 132 (step 406).

また、音声保存バッファ１１２に保存された音声は、通信部１３４によって施設検索サーバ１５０Ｃに向けて送信される（ステップ４０８）。施設検索サーバ１５０Ｃ側では、通信部１６８によって、車載装置１００Ｃから送られてきた音声を受信すると、音声認識部１６０は、認識辞書１６２を用いてこの受信した音声に対して音声認識処理を行う（ステップ４１０）。この音声認識処理では、受信音声と認識辞書１６２に格納された複数の認識候補のそれぞれとの間で類似度が判定され、１つの認識候補が抽出される。 The voice stored in the voice storage buffer 112 is transmitted to the facility search server 150C by the communication unit 134 (step 408). On the facility search server 150C side, when the voice sent from the in-vehicle device 100C is received by the communication unit 168, the voice recognition unit 160 performs voice recognition processing on the received voice using the recognition dictionary 162 ( Step 410). In this speech recognition process, the similarity is determined between the received speech and each of the plurality of recognition candidates stored in the recognition dictionary 162, and one recognition candidate is extracted.

また、施設検索部１６４は、この認識候補を検索キーワードとして施設検索を行い、施設ＤＢ１６６に格納された施設情報の中から１あるいは複数の施設に関する施設情報を抽出する（ステップ４１２）。ステップ４１０の音声認識処理によって抽出された１つの認識候補と、ステップ４１２の施設検索処理によって抽出された施設情報は、ともに通信部１６８から車載装置１００Ｃに向けて送信される。車載装置１００Ｃでは、通信部１３４によって、施設検索サーバ１５０Ｃから送られてきた認識候補と施設情報を受信する（ステップ４１４）。その後、検索結果表示処理部１３２によって、この新たに受信した施設情報の内容が表示装置１２８に表示され、表示内容の変更が行われる（ステップ４１６）。 Further, the facility search unit 164 performs facility search using the recognition candidates as search keywords, and extracts facility information related to one or a plurality of facilities from the facility information stored in the facility DB 166 (step 412). One recognition candidate extracted by the speech recognition process in step 410 and the facility information extracted by the facility search process in step 412 are both transmitted from the communication unit 168 toward the in-vehicle device 100C. In the in-vehicle apparatus 100C, the recognition candidate and the facility information transmitted from the facility search server 150C are received by the communication unit 134 (step 414). Thereafter, the search result display processing unit 132 displays the contents of the newly received facility information on the display device 128, and the display contents are changed (step 416).

なお、この例では、施設検索サーバ１５０Ｃから施設情報を受信したときに、それまで表示していた車載装置１００Ｃ側の施設情報に代えて、この新たに受信した施設情報を表示するようにしたが、この表示切り替え等については各種の変形例が考えられる。例えば、車載装置１００Ｃと施設検索サーバ１５０Ｃのそれぞれの音声認識処理によって同一の認識候補が得られた場合には、上述した場合と同様に施設検索サーバ１５０Ｃ側の施設情報に表示を切り替える。一方、認識候補が異なる場合には、車載装置１００Ｃ側の認識候補を用いて再度施設検索サーバ１５０Ｃ側で施設検索を行い、検索により抽出された施設情報を取得して車載装置１００Ｃの表示装置１２８に表示するようにしてもよい。認識候補が同じであるか否かは優先度調整部１２２によって判定することができる。 In this example, when the facility information is received from the facility search server 150C, the newly received facility information is displayed instead of the facility information on the in-vehicle apparatus 100C side that has been displayed. Various modifications can be considered for this display switching and the like. For example, when the same recognition candidate is obtained by the respective voice recognition processes of the in-vehicle device 100C and the facility search server 150C, the display is switched to the facility information on the facility search server 150C side as described above. On the other hand, if the recognition candidates are different, the facility search server 150C side performs facility search again using the recognition candidates on the in-vehicle device 100C side, acquires facility information extracted by the search, and displays the display device 128 of the in-vehicle device 100C. May be displayed. The priority adjustment unit 122 can determine whether or not the recognition candidates are the same.

このように、本実施形態の施設検索システムでは、車載装置１００Ｃ側において行われる音声認識処理によって抽出された認識候補を用いた施設検索を行うことにより、速やかに施設情報を表示させることができ、その後、施設検索サーバ１５０Ｃ側において行われる音声認識処理によって抽出された認識候補を用いた施設検索による施設情報が得られたときに、この新たに得られた施設情報に表示内容を変更することで検索精度を向上させることができる。しかも、これら一連の動作を実施する際に特別な操作が不要であって操作の簡略化が可能となる。 Thus, in the facility search system of this embodiment, facility information can be quickly displayed by performing a facility search using recognition candidates extracted by the voice recognition processing performed on the in-vehicle device 100C side. Thereafter, when facility information is obtained by facility search using recognition candidates extracted by the speech recognition process performed on the facility search server 150C side, the display content is changed to the newly obtained facility information. Search accuracy can be improved. Moreover, no special operation is required when performing these series of operations, and the operation can be simplified.

なお、本発明は上記実施形態に限定されるものではなく、本発明の要旨の範囲内において種々の変形実施が可能である。上述した実施形態では、施設検索サーバ１５０等において施設情報を検索する場合について説明したが、音声認識処理によって抽出された認識候補を検索キーワードとして検索する対象は、施設を含むあるいは施設以外の広い概念としてのコンテンツとすることができる。 In addition, this invention is not limited to the said embodiment, A various deformation | transformation implementation is possible within the range of the summary of this invention. In the above-described embodiment, the case where the facility information is searched in the facility search server 150 or the like has been described. However, the object to be searched using the recognition candidate extracted by the voice recognition process as a search keyword includes a wide concept other than the facility or the facility. It can be set as content.

また、上述した実施形態では、音声認識処理によって抽出された認識候補を検索キーワードとして施設情報を検索する施設検索システムについて本発明を適用したが、音声認識処理に関する構成に着目した「音声認識システム」としてもよい。 In the above-described embodiment, the present invention is applied to a facility search system that searches facility information using recognition candidates extracted by the speech recognition processing as search keywords. However, the “voice recognition system” focusing on the configuration related to the speech recognition processing. It is good.

上述したように、本発明によれば、２組の認識辞書と音声認識部を用いて同じ音声に対して音声認識処理を行うことにより、認識精度を上げることが可能となる。これにより、１つの認識候補（語彙）を決定する可能性が高まり、複数の認識候補の中から利用者自身が正解となる認識候補を選択する機会が減るため、操作の簡略化が可能となる。 As described above, according to the present invention, it is possible to improve recognition accuracy by performing voice recognition processing on the same voice using two sets of recognition dictionaries and a voice recognition unit. As a result, the possibility of determining one recognition candidate (vocabulary) is increased, and the opportunity for the user himself / herself to select a recognition candidate that is the correct answer from a plurality of recognition candidates is reduced, thereby simplifying the operation. .

１００車載装置
１５０施設検索サーバ
１１０マイクロホン
１１２音声保存バッファ
１１４、１６０音声認識部
１１６、１６２認識辞書
１１８辞書生成部
１２０認識結果保存バッファ
１２２優先度調整部
１２４操作部
１２６認識結果表示処理部
１２８表示装置
１３０検索結果保存バッファ
１３２検索結果表示処理部
１３４、１６８通信部
１６４施設検索部
１６６施設ＤＢ（データベース） DESCRIPTION OF SYMBOLS 100 In-vehicle apparatus 150 Facility search server 110 Microphone 112 Voice storage buffer 114, 160 Voice recognition unit 116, 162 Recognition dictionary 118 Dictionary generation unit 120 Recognition result storage buffer 122 Priority adjustment unit 124 Operation unit 126 Recognition result display processing unit 128 Display device 130 Search Result Storage Buffer 132 Search Result Display Processing Unit 134, 168 Communication Unit 164 Facility Search Unit 166 Facility DB (Database)

Claims

A voice storage means for storing the voice uttered by the speaker;
First speech recognition means for performing speech recognition processing on speech stored in the speech storage means using a first recognition dictionary;
Second speech recognition means for performing speech recognition processing on the speech stored in the speech storage means using a second recognition dictionary different from the first recognition dictionary;
Recognition result determination means for determining recognition candidates corresponding to the voice stored in the voice storage means based on the recognition results of the first and second voice recognition means;
The voice storage means, the first voice recognition means, and the recognition result determination means are provided in a vehicle,
The second voice recognition means is provided in a server outside the vehicle connected via a network,
A dictionary creating means for creating the first recognition dictionary corresponding to the plurality of recognition candidates when the second speech recognition means narrows down to a plurality of recognition candidates by the voice recognition processing;
The recognition result determination means corresponds to the voice stored in the voice storage means by using the recognition result of the first voice recognition means using the first recognition dictionary created by the dictionary creation means. A speech recognition system characterized by determining a recognition candidate.

In claim 1,
The processing time of the voice recognition processing by the first voice recognition means is shorter than the processing time of the voice recognition processing by the second voice recognition means ,
The speech recognition system characterized in that the recognition accuracy of the speech recognition process by the second speech recognition means is higher than the recognition accuracy of the speech recognition process by the first speech recognition means .

In claim 1 or 2,
The speech recognition system according to claim 1, wherein the speech recognition processing by the first and second speech recognition means is performed using different acoustic models and matching algorithms.

In any one of Claims 1-3,
When the recognition result determination means is narrowed down to one recognition candidate by the voice recognition processing by the second voice recognition means, the recognition candidate is set as a recognition candidate corresponding to the voice stored in the voice storage means. A speech recognition system characterized by determining.

In any one of Claims 1-4,
The dictionary creation means creates the first recognition dictionary by generating a reading corresponding to each of the plurality of recognition candidates by grapheme-phoneme conversion, and converting the reading into a speech waveform. Voice recognition system.

The speech recognition system according to any one of claims 1 to 5, a content database in which information on a plurality of contents is stored, and the plurality of contents using a recognition candidate determined by the recognition result determination unit as a search keyword. A search system comprising content search means for searching for information related to one or a plurality of contents ,
The content database and the content search means are provided in the server .