JP7459791B2 - 情報処理装置、情報処理方法、およびプログラム - Google Patents

Description

本開示は、情報処理装置、情報処理方法、およびプログラムに関する。

近年、音声認識技術を用いた種々の装置が開発されている。また、音声認識の精度を向上させるための手法も多く提案されている。例えば、特許文献１には、コンテキスト依存型音声認識装置の環境変化に対するロバスト性を向上させる技術が開示されている。

特開２０１１－２４８３６０号公報

ところで、一般に音声認識処理においては、応答のリアルタイム性を確保するために、処理に係る演算量を抑えることが求められる。また、演算量の低減と認識精度の向上はトレードオフの関係となる。

そこで、本開示では、演算量を抑えながら音声認識精度を向上させることが可能な、新規かつ改良された情報処理装置、情報処理方法、およびプログラムを提案する。

本開示によれば、複数の発話表現が登録された第１辞書と、前記第１辞書を用いた第１音声認識処理を実行する第１音声認識部と、ユーザの発話実績に基づいて前記第１辞書に登録される発話表現を更新する辞書更新部と、を備え、前記辞書更新部は、前記発話実績が低い発話表現を前記第１辞書から削除、または前記第１辞書に登録されていない複数の発話表現が登録された第２辞書へ移行する、情報処理装置が提供される。

また、本開示によれば、プロセッサが、複数の発話表現が登録された第１辞書を用いた第１音声認識処理を実行することと、ユーザの発話実績に基づいて前記第１辞書に登録される発話表現を更新することと、を含み、前記更新することは、前記発話実績が低い発話表現を前記第１辞書から削除、または前記第１辞書に登録されていない複数の発話表現が登録された第２辞書へ移行すること、をさらに含む、情報処理方法が提供される。

また、本開示によれば、コンピュータを、複数の発話表現が登録された第１辞書と、前記第１辞書を用いた第１音声認識処理を実行する第１音声認識部と、ユーザの発話実績に基づいて前記第１辞書に登録される発話表現を更新する辞書更新部と、を備え、前記辞書更新部は、前記発話実績が低い発話表現を前記第１辞書から削除、または前記第１辞書に登録されていない複数の発話表現が登録された第２辞書へ移行する、情報処理装置、として機能させるためのプログラムが提供される。

本開示によれば、演算量を抑えながら音声認識精度を向上させることが可能となる。

なお、上記の効果は必ずしも限定的なものではなく、上記の効果とともに、または上記の効果に代えて、本明細書に示されたいずれかの効果、または本明細書から把握され得る他の効果が奏されてもよい。

本開示の一実施形態に係る自律動作体のハードウェア構成例を示す図である。 同実施形態に係る自律動作体が備えるアクチュエータの構成例を示す図である。 同実施形態に係る自律動作体が備えるアクチュエータの動作について説明するための図である。 同実施形態に係る自律動作体が備えるアクチュエータの動作について説明するための図である。 同実施形態に係る自律動作体が備えるディスプレイの機能について説明するための図である。 同実施形態に係る自律動作体の動作例を示す図である。 同実施形態に係るサイコロ型玩具の一例を示す図である。 同実施形態に係るサイコロ型玩具の一例を示す図である。 同実施形態に係るサイコロ型玩具を用いた自律動作体の動作の一例を示す図である。 同実施形態に係るサイコロ型玩具を用いた自律動作体の動作の一例を示す図である。 同実施形態に係るサイコロ型玩具のバリエーションを示す図である。 同実施形態に係るサイコロ型玩具のバリエーションを示す図である。 同実施形態に係るサイコロ型玩具のバリエーションを示す図である。 同実施形態に係るシステム構成の一例を示す図である。 同実施形態に係る自律動作体の機能構成例を示す図である。 同実施形態に係る認識部の詳細構成の一例を示すブロック図である。 同実施形態に係る情報処理サーバの機能構成例を示す図である。 同実施形態に係る辞書更新の概要を説明するための図である。 同実施形態に係る発話ログ、発話時ステータス、評価部、辞書更新部が情報処理サーバに備えられる場合の構成を示す図である。 同実施形態に係る辞書更新の具体例を示す図である。 同実施形態に係る第２音声認識処理の概要について説明ための図である。 同実施形態に係る第２音声認識処理に基づく辞書更新の具体例を示す図である。 同実施形態に係る第２音声認識処理の結果に基づく行動計画の修正について説明するための図である。 同実施形態に係る大辞書を用いた第３音声認識処理について説明するための図である。 同実施形態に係る第３音声認識処理の結果に基づく発話実績の再評価の一例を示す図である。 同実施形態に係る発話表現の登録上限数の動的変更について説明するための図である。

以下に添付図面を参照しながら、本開示の好適な実施の形態について詳細に説明する。なお、本明細書及び図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複説明を省略する。

なお、説明は以下の順序で行うものとする。
１．構成
１．１．自律動作体１０の概要
１．２．自律動作体１０のハードウェア構成例
１．３．システム構成例
１．４．自律動作体１０の機能構成例
１．５．情報処理サーバ２０の機能構成例
２．機能の詳細
３．まとめ

＜１．構成＞
＜＜１．１．自律動作体１０の概要＞＞
近年、ユーザの発話などを認識し、認識結果に基づく動作を実行する種々の装置が開発されている。上記のような装置には、例えば、ユーザとの音声対話を介して種々の機能提供を行う音声エージェント装置や、認識したユーザの発話や周囲環境などに応じて振る舞いを変化させる自律動作体が挙げられる。

上述したように、一般に音声認識処理においては、応答のリアルタイム性を確保するために、処理に係る演算量を抑えることが求める。特に、人や動物などの生物を模した自律動作体の場合、ユーザの発話に対するレスポンスの速さが重要となることから、可能な限り演算量を抑えることが望ましい。

一方、音声認識処理において、演算量の低減と認識精度の向上はトレードオフの関係となる。このため、演算量を抑えつつユーザ体験を損なわない認識精度を確保するための仕組みが重要となる。

ここで、音声認識処理に係る演算量を抑えつつ、かつ認識精度を向上させるためには、例えば、認識できる発話表現数を抑える手法が想定される。具体的には、認識可能な発話表現をユーザが頻繁に用いる発話表現に限定することにより、認識精度を向上させるとともに、探索パスを減らし演算量を効果的に低減することが可能となる。

特に、ローカル側で音声認識処理を行う場合には、計算資源が有限なことから、上記の手法が有効である。

しかし、この際、限定した発話表現セットと、ユーザが現実に用いる発話表現セットとに乖離がある場合、認識精度が低下しユーザ体験を損なう可能性が生じる。例えば、高齢話者のユーザに対して幼児の発話表現セットを適用する場合や、関西弁話者であるユーザに東北弁の発話表現セットを適用する場合、認識精度の著しい低下を招くこととなりかねない。

本開示の一実施形態に係る情報処理装置、情報処理方法、およびプログラムは、上記の点に着目して発想されたものであり、ユーザの発話実績に基づいて、上記の発話表現セットを動的に更新することで、演算量を抑えながら音声認識精度を向上させることを可能とする。

ここで、まず、本開示の一実施形態に係る自律動作体１０の概要について説明する。本開示の一実施形態に係る自律動作体１０は、収集したセンサ情報やユーザの音声に基づく状況推定を行い、状況に応じた種々の動作を自律的に選択し実行する情報処理装置である。自律動作体１０は、単にユーザの指示コマンドに従った動作を行うロボットとは異なり、状況ごとに最適であると推測した動作を自律的に実行することを特徴の一つとする。

この際、本開示の一実施形態に係る自律動作体１０は、ローカル側でユーザの発話に係る音声認識処理を実行し、当該音声認識処理の結果や、認識した周囲環境に基づく自律動作を行う。

このように、本開示の一実施形態に係る自律動作体１０は、ヒトを含む動物と同様に、自己の状態や周囲の環境などを総合的に判断して自律動作を決定、実行する。上記の点において、本開示の一実施形態に係る自律動作体１０は、指示に基づいて対応する動作や処理を実行する受動的な装置とは明確に相違する。

以下、本開示の一実施形態に係る情報処理装置が、空間内において自律的な姿勢制御を行い、種々の動作を実行する自律移動型ロボットである場合を主な例として説明する。自律動作体１０は、例えば、ヒトやイヌなどの動物を模した形状や、動作能力を有する自律移動型ロボットであってもよい。一方、本開示の一実施形態に係る情報処理装置は、例えば、エージェント装置やスマートフォンなどであってもよい。本開示に係る技術思想は、音声認識処理に基づく処理を実行する種々の装置に適用可能である。

＜＜１．２．自律動作体１０のハードウェア構成例＞＞
次に、本開示の一実施形態に係る自律動作体１０のハードウェア構成例について説明する。なお、以下では、自律動作体１０がイヌ型の四足歩行ロボットである場合を例に説明する。

図１は、本開示の一実施形態に係る自律動作体１０のハードウェア構成例を示す図である。図１に示すように、自律動作体１０は、頭部、胴部、４つの脚部、および尾部を有するイヌ型の四足歩行ロボットである。また、自律動作体１０は、頭部に２つのディスプレイ５１０を備える。

また、自律動作体１０は、種々のセンサを備える。自律動作体１０は、例えば、マイクロフォン５１５、カメラ５２０、ＴｏＦ（Ｔｉｍｅ ｏｆ Ｆｌｉｇｈｔ）センサ５２５、人感センサ５３０、測距センサ５３５、タッチセンサ５４０、照度センサ５４５、足裏ボタン５５０、慣性センサ５５５を備える。

（マイクロフォン５１５）
マイクロフォン５１５は、周囲の音を収集する機能を有する。上記の音には、例えば、ユーザの発話や、周囲の環境音が含まれる。自律動作体１０は、例えば、頭部に４つのマイクロフォンを備えてもよい。複数のマイクロフォン５１５を備えることで、周囲で発生する音を感度高く収集すると共に、音源の定位を実現することが可能となる。

（カメラ５２０）
カメラ５２０は、ユーザや周囲環境を撮像する機能を有する。自律動作体１０は、例えば、鼻先と腰部に２つの広角カメラを備えてもよい。この場合、鼻先に配置される広角カメラは、自律動作体の前方視野（すなわち、イヌの視野）に対応した画像を撮像し、腰部の広角カメラは、上方を中心とする周囲領域の画像を撮像する。自律動作体１０は、例えば、腰部に配置される広角カメラにより撮像された画像に基づいて、天井の特徴点などを抽出し、ＳＬＡＭ（Ｓｉｍｕｌｔａｎｅｏｕｓ Ｌｏｃａｌｉｚａｔｉｏｎ ａｎｄ Ｍａｐｐｉｎｇ）を実現することができる。

（ＴｏＦセンサ５２５）
ＴｏＦセンサ５２５は、頭部前方に存在する物体との距離を検出する機能を有する。ＴｏＦセンサ５２５は、頭部の鼻先に備えられる。ＴｏＦセンサ５２５によれば、種々の物体との距離を精度高く検出することができ、ユーザを含む対象物や障害物などとの相対位置に応じた動作を実現することが可能となる。

（人感センサ５３０）
人感センサ５３０は、ユーザやユーザが飼育するペットなどの所在を検知する機能を有する。人感センサ５３０は、例えば、胸部に配置される。人感センサ５３０によれば、前方に存在する動物体を検知することで、当該動物体に対する種々の動作、例えば、興味、恐怖、驚きなどの感情に応じた動作を実現することが可能となる。

（測距センサ５３５）
測距センサ５３５は、自律動作体１０の前方床面の状況を取得する機能を有する。測距センサ５３５は、例えば、胸部に配置される。測距センサ５３５によれば、自律動作体１０の前方床面に存在する物体との距離を精度高く検出することができ、当該物体との相対位置に応じた動作を実現することができる。

（タッチセンサ５４０）
タッチセンサ５４０は、ユーザによる接触を検知する機能を有する。タッチセンサ５４０は、例えば、頭頂、あご下、背中など、ユーザが自律動作体１０に対し触れる可能性が高い部位に配置される。タッチセンサ５４０は、例えば、静電容量式や感圧式のタッチセンサであってよい。タッチセンサ５４０によれば、ユーザによる触れる、撫でる、叩く、押すなどの接触行為を検知することができ、当該接触行為に応じた動作を行うことが可能となる。

（照度センサ５４５）
照度センサ５４５は、自律動作体１０が位置する空間の照度を検出する。照度センサ５４５は、例えば、頭部背面において尾部の付け根などに配置されてもよい。照度センサ５４５によれば、周囲の明るさを検出し、当該明るさに応じた動作を実行することが可能となる。

（足裏ボタン５５０）
足裏ボタン５５０は、自律動作体１０の脚部底面が床と接触しているか否かを検知する機能を有する。このために、足裏ボタン５５０は、４つの脚部の肉球に該当する部位にそれぞれ配置される。足裏ボタン５５０によれば、自律動作体１０と床面との接触または非接触を検知することができ、例えば、自律動作体１０がユーザにより抱き上げられたことなどを把握することが可能となる。

（慣性センサ５５５）
慣性センサ５５５は、頭部や胴部の速度や加速度、回転などの物理量を検出する６軸センサである。すなわち、慣性センサ５５５は、Ｘ軸、Ｙ軸、Ｚ軸の加速度および角速度を検出する。慣性センサ５５５は、頭部および胴部にそれぞれ配置される。慣性センサ５５５によれば、自律動作体１０の頭部および胴部の運動を精度高く検出し、状況に応じた動作制御を実現することが可能となる。

以上、本開示の一実施形態に係る自律動作体１０が備えるセンサの一例について説明した。なお、図１を用いて説明した上記の構成はあくまで一例であり、自律動作体１０が備え得るセンサの構成は係る例に限定されない。自律動作体１０は、上記の構成のほか、例えば、温度センサ、地磁気センサ、ＧＮＳＳ（Ｇｌｏｂａｌ Ｎａｖｉｇａｔｉｏｎ Ｓａｔｅｌｌｉｔｅ Ｓｙｓｔｅｍ）信号受信機を含む各種の通信装置などをさらに備えてよい。自律動作体１０が備えるセンサの構成は、仕様や運用に応じて柔軟に変形され得る。

続いて、本開示の一実施形態に係る自律動作体１０の関節部の構成例について説明する。図２は、本開示の一実施形態に係る自律動作体１０が備えるアクチュエータ５７０の構成例である。本開示の一実施形態に係る自律動作体１０は、図２に示す回転箇所に加え、耳部と尾部に２つずつ、口に１つの合計２２の回転自由度を有する。

例えば、自律動作体１０は、頭部に３自由度を有することで、頷きや首を傾げる動作を両立することができる。また、自律動作体１０は、腰部に備えるアクチュエータ５７０により、腰のスイング動作を再現することで、より現実のイヌに近い自然かつ柔軟な動作を実現することが可能である。

なお、本開示の一実施形態に係る自律動作体１０は、例えば、１軸アクチュエータと２軸アクチュエータを組み合わせることで、上記の２２の回転自由度を実現してもよい。例えば、脚部における肘や膝部分においては１軸アクチュエータを、肩や大腿の付け根には２軸アクチュエータをそれぞれ採用してもよい。

図３および図４は、本開示の一実施形態に係る自律動作体１０が備えるアクチュエータ５７０の動作について説明するための図である。図３を参照すると、アクチュエータ５７０は、モータ５７５により出力ギアを回転させることで、可動アーム５９０を任意の回転位置および回転速度で駆動させることができる。

図４を参照すると、本開示の一実施形態に係るアクチュエータ５７０は、リアカバー５７１、ギアＢＯＸカバー５７２、制御基板５７３、ギアＢＯＸベース５７４、モータ５７５、第１ギア５７６、第２ギア５７７、出力ギア５７８、検出用マグネット５７９、２個のベアリング５８０を備える。

本開示の一実施形態に係るアクチュエータ５７０は、例えば、磁気式ｓｖＧＭＲ（ｓｐｉｎ－ｖａｌｖｅ Ｇｉａｎｔ Ｍａｇｎｅｔｏｒｅｓｉｓｔｉｖｅ）であってもよい。制御基板５７３が、メインプロセッサによる制御に基づいて、モータ５７５を回転させることで、第１ギア５７６および第２ギア５７７を介して出力ギア５７８に動力が伝達され、可動アーム５９０を駆動させることが可能である。

また、制御基板５７３に備えられる位置センサが、出力ギア５７８に同期して回転する検出用マグネット５７９の回転角を検出することで、可動アーム５９０の回転角度、すなわち回転位置を精度高く検出することができる。

なお、磁気式ｓｖＧＭＲは、非接触方式であるため耐久性に優れるとともに、ＧＭＲ飽和領域において使用することで、検出用マグネット５７９や位置センサの距離変動による信号変動の影響が少ないという利点を有する。

以上、本開示の一実施形態に係る自律動作体１０が備えるアクチュエータ５７０の構成例について説明した。上記の構成によれば、自律動作体１０が備える関節部の屈伸動作を精度高く制御し、また関節部の回転位置を正確に検出することが可能となる。

続いて、図５を参照して、本開示の一実施形態に係る自律動作体１０が備えるディスプレイ５１０の機能について説明する。図５は、本開示の一実施形態に係る自律動作体１０が備えるディスプレイ５１０の機能について説明するための図である。

（ディスプレイ５１０）
ディスプレイ５１０は、自律動作体１０の目の動きや感情を視覚的に表現する機能を有する。図５に示すように、ディスプレイ５１０は、感情や動作に応じた眼球、瞳孔、瞼の動作を表現することができる。ディスプレイ５１０は、文字や記号、また眼球運動とは関連しない画像などを敢えて表示しないことで、実在するイヌなどの動物に近い自然な動作を演出する。

また、図５に示すように、自律動作体１０は、右眼および左眼にそれぞれ相当する２つのディスプレイ５１０ｒおよび５１０ｌを備える。ディスプレイ５１０ｒおよび５１０ｌは、例えば、独立した２つのＯＬＥＤ（Ｏｒｇａｎｉｃ Ｌｉｇｈｔ Ｅｍｉｔｔｉｎｇ Ｄｉｏｄｅ）により実現される。ＯＬＥＤによれば、眼球の曲面を再現することが可能となり、１枚の平面ディスプレイにより一対の眼球を表現する場合や、２枚の独立した平面ディスプレイにより２つの眼球をそれぞれ表現する場合と比較して、より自然な外装を実現することができる。

以上述べたように、ディスプレイ５１０ｒおよび５１０ｌによれば、図５に示すような自律動作体１０の視線や感情を高精度かつ柔軟に表現することが可能となる。また、ユーザはディスプレイ５１０に表示される眼球の動作から、自律動作体１０の状態を直観的に把握することが可能となる。

以上、本開示の一実施形態に係る自律動作体１０のハードウェア構成例について説明した。上記の構成によれば、図６に示すように、自律動作体１０の関節部や眼球の動作を精度高くまた柔軟に制御することで、より実在の生物に近い動作および感情表現を実現することが可能となる。なお、図６は、本開示の一実施形態に係る自律動作体１０の動作例を示す図であるが、図６では、自律動作体１０の関節部および眼球の動作について着目して説明を行うため、自律動作体１０の外部構造を簡略化して示している。同様に、以下の説明においては、自律動作体１０の外部構造を簡略化して示す場合があるが、本開示の一実施形態に係る自律動作体１０のハードウェア構成および外装は、図面により示される例に限定されず、適宜設計され得る。

また、本開示の一実施形態に係る自律動作体１０は、上記のような制御を行うことで、実在の生物のように、他のオブジェクトとのインタラクションを実現することができる。上記のオブジェクトには、例えば、他のロボット装置や、家電製品、玩具などが挙げられる。

例えば、本開示の一実施形態に係る自律動作体１０は、ユーザの明示的な指示がない場合であっても、周囲に存在する玩具を認識し、当該玩具を用いた自律的な動作、すなわち玩具を用いた「遊び」を行うことができる。

上記の玩具には、例えば、ボール型、骨型、またはサイコロ型などが想定される。図７Ａおよび図７Ｂは、本開示の一実施形態に係るサイコロ型玩具の一例を示す図である。

図７Ａおよび図７Ｂに示すように、本開示の一実施形態に係るサイコロ型玩具Ｔは、例えば、硬度６０～８０程度のエラストマーから成る外形Ｆと、当該外形の複数の面Ａ１～ＡＮを有するサイコロ部Ｄを備えてもよい。なお、複数の面Ａ１～ＡＮは、それぞれサイコロの目（数字など）に対応し、その数は、図７Ａおよび図７Ｂに示すような６面に限定されない。

本開示の一実施形態に係る自律動作体１０は、外形Ｆの形状や、外形Ｆに付与された所定の色を認識することで、サイコロ型玩具Ｔを特定することが可能である。本開示の一実施形態に係る自律動作体１０は、認識したサイコロ型玩具Ｔに対し、例えば、咥える、咥えて持ち上げる、投げる（転がす）、前足に引掛ける、前足で転がすなどの種々の動作を実行することが可能である。なお、自律動作体１０による上記の動作が行いやすいよう、外形Ｆは曲線形状を一部に有してもよい。

このために、本開示の一実施形態に係るサイコロ型玩具Ｔは、例えば、自律動作体１０が外形Ｆを加えて持ち上げられる程度の大きさおよび重量（例えば、３５ｇ程度）であり得る。なお、サイコロ型玩具Ｔの大きさおよび重量は、自律動作体１０の大きさや構成部品に応じて適宜設計され得る。

また、本開示の一実施形態に係る自律動作体１０は、サイコロ部Ｄが有する複数の面Ａ１～ＡＮをそれぞれ認識することで、ユーザの指定した数字（または絵柄など）を当該ユーザに対し提示することができてもよい。

また、複数のサイコロ型玩具Ｔが存在する場合、本開示の一実施形態に係る自律動作体１０は、当該複数のサイコロ型玩具Ｔを垂直方向に積み上げる動作を、自律的またはユーザの指示に基づいて実行してもよい。

図８および図９は、本開示の一実施形態に係るサイコロ型玩具Ｔを用いた自律動作体１０の動作の一例を示す図である。例えば、図８に示す一例の場合、ユーザは、サイコロ型玩具Ｔで遊ぶ自律動作体１０に対し、数字の「３」に対応する面Ａ３を出すよう、発話ＵＯ１により指示している。

この場合、本開示の一実施形態に係る自律動作体１０は、サイコロ部Ｄが有する複数の面Ａ１～ＡＮを認識し、ユーザの指示に対応する面Ａ３が上部に位置するよう、サイコロ型玩具Ｔを転がすことが可能である。

この際、本開示の一実施形態に係る自律動作体１０は、例えば、サイコロ部Ｄが有する複数の面Ａ１～ＡＮに付与された色を認識することで、指示された数字（または絵柄など）が上面となるようサイコロ型玩具Ｔの姿勢を調整してもよい。

例えば、図８に示す一例の場合、各数字に対応する面Ａ１～Ａ６には、それぞれ異なる色が付与されており、また、「１」＝「青」、「２」＝緑、「３」＝「黄色」など、数字と色の対応を指定するデータが自律動作体１０に記憶されている。

この際、自律動作体１０は、発話ＵＯ１に含まれる「３」という数字を認識し、当該数字に対応する色「黄色」の面Ａ３が上面となるよう、サイコロ型玩具Ｔを転がすことができる。

また、図９に示す一例の場合、ユーザは、サイコロ型玩具Ｔ１およびＴ２で遊ぶ自律動作体１０に対し、サイコロ型玩具Ｔ１およびＴ２を重ねるよう、発話ＵＯ２により指示している。

この際、本開示の一実施形態に係る自律動作体１０は、例えば、サイコロ型玩具Ｔ２を咥えて持ち上げ、サイコロ型玩具Ｔ１の上に積み上げることができる。本開示の一実施形態に係る自律動作体１０は、図１を用いて説明した各種のセンサが収集した情報に基づき、サイコロ型玩具Ｔや自身の位置を正確に認識することで、上記のような繊細な作業を実現することが可能である。

以上、本開示の一実施形態に係るサイコロ型玩具Ｔを用いた自律動作体１０の動作について一例を示した。本開示の一実施形態に係る自律動作体１０は、各種の認識結果を活用することで、他のオブジェクトに対し、上述したような高度な動作を実行することが可能である。

なお、図７Ａ、図７Ｂ、図８および図９に示したサイコロ型玩具Ｔの形状はあくまで一例であり、本開示の一実施形態に係るサイコロ型玩具Ｔの形状は係る例に限定されない。本開示の一実施形態に係るサイコロ型玩具Ｔの形状や素材は、適宜変形可能である。

図１０Ａ、図１０Ｂ、図１０Ｃは、本開示の一実施形態に係るサイコロ型玩具Ｔのバリエーションを示す図である。例えば、図１０Ａには、外形Ｆが直線形状のみで形成された面タイプのサイコロ型玩具Ｔａの一例が示されている。

また、図１０Ｂには、外形Ｆが複数の柱とジョイントから形成された分子模型タイプのサイコロ型玩具Ｔｂの一例が示されている。また、図１０Ｃには、外形Ｆが発泡材で形成されたサイコロ型玩具Ｔｃの一例が示されている。

このように、本開示の一実施形態に係るサイコロ型玩具Ｔの形状や素材は、自律動作体１０による持ち上げや転がしが可能な範囲で柔軟に変形可能である。

＜＜１．３．システム構成例＞＞
次に、本開示の一実施形態に係るシステム構成例について説明する。図１１は、本開示の一実施形態に係るシステム構成の一例を示す図である。図１１を参照すると、本開示の一実施形態に係る情報処理システムは、複数の自律動作体１０および情報処理サーバ２０を備える。なお、自律動作体１０と情報処理サーバ２０は、ネットワーク３０を介して互いに通信が行えるように接続される。

（自律動作体１０）
本開示の一実施形態に係る自律動作体１０は、収集したセンサ情報に基づく状況推定を実行し、状況に応じた種々の動作を自律的に選択し実行する情報処理装置である。上述したように、本開示の一実施形態に係る自律動作体１０は、例えば、ヒトやイヌなどの動物を模した形状や、動作能力を有する自律移動型ロボットであってもよい。本開示の一実施形態に係る自律動作体１０は、検出したユーザの発話に対する音声認識処理を実行し、当該音声認識処理の結果に基づく各種の動作を実行する。

なお、本開示では、自律動作体１０を、クライアント端末、と称する場合がある。また、本開示では、自律動作体１０による処理を、ローカル側の処理、と称する場合がある。

（情報処理サーバ２０）
本開示の一実施形態に係る情報処理サーバ２０は、複数の自律動作体１０と接続され、自律動作体１０から各種の情報を収集し分析する機能を有する情報処理装置である。また、本開示の一実施形態に係る情報処理サーバ２０は、分析結果や流行、季節などに応じて、推奨する発話表現を自律動作体１０に送信する機能を有する。

なお、本開示では、情報処理サーバ２０を、サーバ、または外部装置、と称する場合がある。また、本開示では、情報処理サーバ２０による処理を、クラウド側の処理、と称する場合がある。

（ネットワーク３０）
ネットワーク３０は、自律動作体１０と情報処理サーバ２０とを接続する機能を有する。ネットワーク３０は、インターネット、電話回線網、衛星通信網などの公衆回線網や、Ｅｔｈｅｒｎｅｔ（登録商標）を含む各種のＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、ＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）などを含んでもよい。また、ネットワーク３０は、ＩＰ－ＶＰＮ（Ｉｎｔｅｒｎｅｔ Ｐｒｏｔｏｃｏｌ－Ｖｉｒｔｕａｌ Ｐｒｉｖａｔｅ Ｎｅｔｗｏｒｋ）などの専用回線網を含んでもよい。また、ネットワーク３０は、Ｗｉ－Ｆｉ（登録商標）、Ｂｌｕｅｔｏｏｔｈ（登録商標）など無線通信網を含んでもよい。

以上、本開示の一実施形態に係るシステム構成例について説明した。なお、図１１を用いて説明した上記の構成はあくまで一例であり、本開示の一実施形態に係る情報処理システムの構成は係る例に限定されない。例えば、自律動作体１０は、情報処理サーバ２０のほか、種々の外部装置とさらに情報通信を行ってもよい。上記の外部装置には、例えば、天気やニュース、その他のサービス情報を発信するサーバや、ユーザが所持する各種の情報処理端末、家電機器などが含まれ得る。本開示の一実施形態に係るシステム構成は、仕様や運用に応じて柔軟に変形され得る。

＜＜１．４．自律動作体１０の機能構成例＞＞
次に、本開示の一実施形態に係る自律動作体１０の機能構成例について説明する。図１２は、本開示の一実施形態に係る自律動作体１０の機能構成例を示す図である。図１２を参照すると、本開示の一実施形態に係る自律動作体１０は、入力部１１０、認識部１２０、学習部１３０、行動計画部１４０、動作制御部１５０、駆動部１６０、出力部１７０、およびサーバ通信部１８０を備える。なお、上記の各機能は、例えば、自律動作体１０に搭載される、ＣＰＵなどのプロセッサ、ＲＯＭやＲＡＭなどにより実現される。

（入力部１１０）
入力部１１０は、ユーザや周囲環境に係る種々の情報を収集する機能を有する。入力部１１０は、例えば、ユーザの発話や周囲で発生する環境音、ユーザや周囲環境に係る画像情報、および種々のセンサ情報を収集する。このために、入力部１１０は、図１に示す各種のセンサを備える。

（認識部１２０）
認識部１２０は、入力部１１０が収集した種々の情報に基づいて、ユーザや周囲環境、また自律動作体１０の状態に係る種々の認識を行う機能を有する。一例としては、認識部１２０は、音声認識、人識別、表情や視線の認識、物体認識、動作認識、空間領域認識、色認識、形認識、マーカー認識、障害物認識、段差認識、明るさ認識などを行ってよい。なお、本開示の一実施形態に係る認識部１２０が有する機能の詳細については別途後述する。

（学習部１３０）
学習部１３０は、環境（状況）と行動、また当該行動による環境への作用を学習する機能を有する。学習部１３０は、例えば、深層学習（Ｄｅｅｐ Ｌｅａｒｎｉｎｇ）などの機械学習アルゴリズムを用いて、上記の学習を実現する。なお、学習部１３０が採用する学習アルゴリズムは、上記の例に限定されず、適宜設計可能である。

（行動計画部１４０）
行動計画部１４０は、認識部１２０が推定した状況と学習部１３０が学習した知識に基づいて、自律動作体１０が行う行動を計画する機能を有する。

（動作制御部１５０）
動作制御部１５０は、行動計画部１４０による行動計画に基づいて、駆動部１６０および出力部１７０の動作を制御する機能を有する。動作制御部１５０は、例えば、上記の行動計画に基づいて、アクチュエータ５７０の回転制御や、ディスプレイ５１０の表示制御、スピーカによる音声出力制御などを行う。

（駆動部１６０）
駆動部１６０は、動作制御部１５０による制御に基づいて、自律動作体１０が有する複数の関節部を屈伸させる機能を有する。より具体的には、駆動部１６０は、動作制御部１５０による制御に基づき、各関節部が備えるアクチュエータ５７０を駆動させる。

（出力部１７０）
出力部１７０は、動作制御部１５０による制御に基づいて、視覚情報や音情報の出力を行う機能を有する。このために、出力部１７０は、ディスプレイ５１０やスピーカを備える。

（サーバ通信部１８０）
サーバ通信部１８０は、情報処理サーバ２０や他の自律動作体１０との情報通信を行う機能を有する。例えば、サーバ通信部１８０は、音声認識結果や後述する発話時ステータスなどの情報を情報処理サーバ２０に送信する。また、例えば、サーバ通信部１８０は、情報処理サーバ２０から、分析結果などから推奨される発話表現を受信する。

以上、本開示の一実施形態に係る自律動作体１０の基本構成例について説明した。続いて、図１３を参照して、本開示の一実施形態に係る認識部１２０の詳細な構成について説明する。

図１３は、本開示の一実施形態に係る認識部１２０の詳細構成の一例を示すブロック図である。図１３を参照すると、本開示の一実施形態に係る認識部１２０は、例えば、第１音声認識部７１０、第１辞書７１５、発話ログ７２０、状態認識部７２５、発話時ステータスログ７３０、評価部７３５、辞書更新部７４０、第２辞書７４５を備える。

図１３に示すように、本開示の一実施形態に係る認識部１２０は、複数の発話表現が登録された複数の辞書を備えることを特徴の一つとする。また、本開示の一実施形態に係る認識部１２０は、上記複数の辞書に登録される発話表現を状況に応じて適宜更新することで、ユーザが現実に用いる発話表現セットに対応した音声認識を実現し、演算量を抑えながら音声認識精度を向上させることを可能とする。

なお、本開示の一実施形態に係る発話表現には、例えば、文字列（語彙）のほか、アクセント（単語単位の強弱）、イントネーション（文単位の強弱）などが含まれてよい。

（第１音声認識部７１０）
本開示の一実施形態に係る第１音声認識部７１０は、第１辞書７１５を用いた第１音声認識処理を実行する。具体的には、本開示の一実施形態に係る第１音声認識部７１０は、ユーザの発話に対応する音声データに対し、第１辞書７１５に登録された発話表現を用いた音声認識を行う。

（第１辞書７１５）
本開示の一実施形態に係る第１辞書７１５は、第１音声認識部７１０による第１音声認識処理に用いられる発話表現辞書である。第１辞書７１５には、ユーザによる発話頻度が高い発話表現が上限２０００～３０００以下を目途に複数登録されてもよい。なお、後述するように認識部１２０が第２音声認識部を備える場合は、第1辞書７１５および第２辞書７４５に登録される発話表現数は合計で２０００～３０００以下となるよう制御されてよい。後述する辞書更新部７４０が、ユーザの発話実績に基づいて、第１辞書７１５に登録される発話表現を適宜入れ替えることで、よりユーザの特性に合致した高精度かつ低負担な音声認識を実現することが可能である。

（発話ログ７２０）
本開示の一実施形態に係る発話ログ７２０は、第１音声認識部７１０などによる音声認識結果の履歴である。

（状態認識部７２５）
本開示の一実施形態に係る状態認識部７２５は、各種のセンサ情報に基づいて、ユーザの発話時における各種のステータス（発話時ステータス）を認識する。発話時ステータスには、例えば、時刻（時間帯、季節などを含む）、場所、ユーザの行動や状態、ＰＣＭ（Ｐｕｌｓｅ Ｃｏｄｅ Ｍｏｄｕｌａｔｉｏｎ）データ、天気、画像、各種のセンサ情報そのもの、自律動作体１０が実行中の動作、自律動作体１０のアクチュエータの状態などが含まれ得る。

（発話時ステータスログ７３０）
本開示の一実施形態に係る発話時ステータスログ７３０は、状態認識部７２５が認識した発話時ステータスの履歴である。本開示の一実施形態に係る発話時ステータスログ７３０は、時刻をキーに、発話ログ７２０と対応付けられて保管される。

（評価部７３５）
本開示の一実施形態に係る評価部７３５は、発話ログ７２０や発話時ステータスログ７３０に基づいて、ユーザの発話実績を評価する機能を有する。本開示の一実施形態に係る評価部７３５は、例えば、第１音声認識部７１０により認識された発話表現の回数や、当該発話表現が認識された際に併せて認識された発話時ステータスに基づいて、発話実績の評価を行うことができる。本開示の一実施形態に係る評価部７３５が有する機能の詳細については別途後述する。

（辞書更新部７４０）
本開示の一実施形態に係る辞書更新部７４０は、ユーザの発話実績に基づいて第１辞書７１５や第２辞書７４５に登録される発話表現を更新する機能を有する。本開示の一実施形態に係る辞書更新部７４０は、発話実績が低い発話表現を第１辞書７１５から削除、または第２辞書７４５へ移行してもよい。

また、本開示の一実施形態に係る辞書更新部７４０は、第１辞書７１５に空きが存在する場合、第２辞書７４５に登録されている発話表現の優先度に基づいて、第２辞書７４５に登録されている発話表現を第１辞書に移行してもよい。

このように、本開示の一実施形態に係る辞書更新部７４０によれば、ユーザの発話実績に基づいて第１辞書７１５および第２辞書７４５に発話表現（セット）を更新することで、第１音声認識部７１０が、発話実績が高い発話表現が登録された第１辞書７１５を用いて第１音声認識処理を実行することが可能となる。

本開示の一実施形態に係る辞書更新部７４０が有する上記の特徴によれば、第１辞書７１５に登録する発話表現の数を限定することで演算量を抑えながらも、発話実績の高い発話表現を第１辞書７１５に登録することで、精度が高くレスポンスの速い音声認識を実現することが可能となる。

（第２辞書７４５）
本開示の一実施形態に係る第２辞書７４５には、第１辞書７１５に登録されていない複数の発話表現が登録される。上述したように、本開示の一実施形態に係る辞書更新部７４０は、第１辞書７１５に空きが存在する場合、第２辞書７４５に登録されている優先度の高い発話表現を第１辞書７１５に移行することができる。すなわち、本開示の一実施形態に係る第２辞書７４５は、第１辞書７１５に登録する発話表現の候補を複数含む発話表現辞書といえる。

以上、本開示の一実施形態に係る認識部１２０の詳細な構成例について説明した。なお、図１３を用いて説明した上記の構成はあくまで一例であり、本開示の一実施形態に係る認識部１２０の構成は係る例に限定されない。例えば、本開示の一実施形態に係る認識部１２０は、後述する第２音声認識部や第３音声認識部を備えてもよい。また、後に示すように、本実施形態に係る発話ログ７２０、発話時ステータスログ７３０、評価部７３５、辞書更新部７４０は、情報処理サーバ２０に備えられてもよい。本開示の一実施形態に係る認識部１２０が有する機能の詳細については別途後述する。

＜＜１．５．情報処理サーバ２０の機能構成例＞＞
次に、本開示の一実施形態に係る情報処理サーバ２０の機能構成例について説明する。図１４は、本開示の一実施形態に係る情報処理サーバ２０の機能構成例を示す図である。図１４を参照すると、本開示の一実施形態に係る情報処理サーバ２０は、蓄積部２１０、分析部２２０、クラウド辞書２３０、通信部２４０を備える。

（蓄積部２１０）
本開示の一実施形態に係る蓄積部２１０は、複数の自律動作体１０が認識した音声認識結果や発話時ステータスなどの発話実績を統合して蓄積する。なお、本開示の一実施形態に係る蓄積部２１０は、音声認識結果に基づいて計画または実行された動作などの情報を併せて保管してもよい。本開示の一実施形態に係る蓄積部２１０が蓄積する上記のデータは、複数の自律動作体１０に共通する経験の知識、すなわち集合知と称することができる。

（分析部２２０）
本開示の一実施形態に係る分析部２２０は、蓄積部２１０が蓄積するデータに基づく種々の分析を行う。分析部２２０は、複数の自律動作体１０から収集、蓄積された上記のデータを分析することで、例えば、ユーザが、「お手」と発話した後には、「いいこ」や「えらい」などと続けて発話する可能性が高いこと、などを分析結果として得ることができる。なお、本開示においては、上記のように、ある発話表現に続けて発話される別の発話表現、など、他の発話表現や機能と相関性の高い発話表現を、相関表現と称する。

また、本開示の一実施形態に係る分析部２２０は、分析結果に基づいて、クラウド辞書２３０に登録されている発話表現から、それぞれの自律動作体１０に推奨する推奨発話表現を通信部２４０を介して自律動作体１０に送信してもよい。

（クラウド辞書２３０）
本開示の一実施形態に係るクラウド辞書２３０は、自律動作体１０に新たに追加され得る種々の発話表現を含む発話表現辞書である。クラウド辞書２３０には、例えば、方言や、世代ごとに多用される発話表現（世代表現）、季節に応じた発話表現（季節表現）、トレンドとなっている発話表現（トレンド表現）、分析部２２０が集合知に基づき分析した相関表現などが登録される。

（通信部２４０）
本開示の一実施形態に係る通信部２４０は、ネットワーク３０を介して、複数の自律動作体１０との情報通信を行う。通信部２４０は、例えば、自律動作体１０から音声認識結果や発話時ステータスなどの発話実績に係る情報を受信する。また、通信部２４０は、分析部２２０による制御や自律動作体１０からの要求に基づいて、クラウド辞書２３０に登録される発話表現を自律動作体１０に送信する。

以上、本開示の一実施形態に係る情報処理サーバ２０の機能構成例について説明した。なお、図１４を用いて説明した上記の構成はあくまで一例であり、本開示の一実施形態に係る情報処理サーバ２０の機能構成は係る例に限定されない。本開示の一実施形態に係る情報処理サーバ２０の機能構成は、仕様や運用に応じて柔軟に変形され得る。

＜２．機能の詳細＞
次に、本開示の一実施形態に係る辞書更新機能について詳細に説明する。上述したように、本開示の一実施形態に係る辞書更新部７４０は、ユーザの発話実績に基づいて、第１辞書７１５や第２辞書７４５が有する発話表現セットを動的に更新することで、第１音声認識部７１０が、第１辞書７１５に登録される限られた発話表現数で精度の高い音声認識を実現することを可能とする。

図１５Ａおよび図１５Ｂは、本開示の一実施形態に係る辞書更新の概要を説明するための図である。なお、図１５Ａおよび図１５Ｂは、自律動作体１０が備える構成のうち、主に認識部１２０の機能に着目して作図されたものであり、図１５Ａおよび図１５Ｂでは、入力部１１０やサーバ通信部１８０などの一部の構成が省略されている。また、図１５Ａは、本実施形態に係る発話ログ７２０、発話時ステータスログ７３０、評価部７３５、辞書更新部７４０が自律動作体１０に備えられる場合の構成が示されている。一方、本実施形態に係る発話ログ７２０、発話時ステータスログ７３０、評価部７３５、辞書更新部７４０は、図１５Ｂに示すように、情報処理サーバ２０の機能として備えられてもよい。この場合、自律動作体１０が認識した発話および発話時ステータスは、ネットワーク３０を介して情報処理サーバ２０に送信され、情報処理サーバ２０は、ネットワーク３０を介して第１辞書７１５や第２辞書７４５の更新を行ってよい。

本開示の一実施形態に係る自律動作体１０による音声認識処理では、まず、図１５Ａおよび図１５Ｂの図中左下に示すように、入力部１１０により検出された発話のＰＣＭデータが第１音声認識部７１０に入力される。

この際、第１音声認識部７１０は、第１辞書７１５を用いて上記のＰＣＭデータに対する第１音声認識処理を実行する。この際、第１音声認識処理の結果は、行動計画部１４０に入力され、行動計画部１４０が入力された第１音声認識処理の結果に基づく行動計画を行うことで、動作制御部１５０による動作制御や、駆動部１６０および出力部１７０による表出が実現される。

また、第１音声認識部７１０による第１音声認識処理の結果は、発話ログ７２０として保存される。また、状態認識部７２５は、収集されたセンサ情報などに基づいて、上述した発話時ステータスを認識し、発話時ステータスログ７３０として保存する。この際、上述したように、発話時ステータスログ７３０は、時刻をキーに、発話ログ７２０と対応付けられて保管される。本開示の一実施形態に係る発話ログ７２０および発話時ステータスログ７３０は、上述した集合知に対し、それぞれの自律動作体１０の独自の経験に基づく単独知と称することができる。なお、単独知である発話ログ７２０および発話時ステータスログ７３０は、ネットワーク３０を介して情報処理サーバ２０に送信され、集合知２１５の一部として蓄積部２１０に蓄積される。

また、本開示の一実施形態に係る評価部７３５は、上記のように蓄積された単独知に基づいて、ユーザの発話実績を評価する。本開示の一実施形態に係る評価部７３５は、例えば、第１音声認識部７１０により認識された回数が多い発話表現ほど発話実績が高いと評価してもよい。一方、第１音声認識部７１０による誤認識や湧き出しなどへの対応のため、評価部７３５は、発話時ステータスなどに基づいて発話実績を総合的に評価してよい。ここで、誤認識とは、ユーザの実際の発話「おはよう」に対して第１音声認識部７１０が「おはよう」以外の認識結果を出力すること、例えば、「おやすみ」と出力してしまうことを意味する。また、湧き出しとは、生活音などユーザの発話以外の音に対して認識結果を出力すること、例えば、ドアを閉めた音に対して「ばん」という認識結果を出力してしまうことを意味する。

また、本開示の一実施形態に係る辞書更新部７４０は、評価部７３５が評価した発話実績などに基づいて第１辞書７１５および第２辞書７４５の更新を実行する。辞書更新部７４０は、例えば、上述したように、発話実績が低い発話表現を第１辞書７１５から削除、または第２辞書７４５に移行し、第２辞書７４５に登録される優先度の高い発話表現を代わりに第１辞書に登録することなどができる。

また、本開示の一実施形態に係る辞書更新部７４０は、情報処理サーバ２０から未登録の発話表現を取得し、当該発話表現を第１辞書７１５や第２辞書７４５に追加登録する機能を有してよい。辞書更新部７４０は、例えば、上述した相関表現２３１、トレンド表現２３２、季節表現２３３、世代別表現２３４、方言２３５などを取得し、第１辞書７１５や第２辞書７４５に追加登録してもよい。この際、発話表現数を一定以下に保つため、辞書更新部７４０は、第１辞書７１５や第２辞書７４５から、発話実績が低い発話表現を削除してもよい。

本開示の一実施形態に係る辞書更新部７４０が有する上記の機能によれば、自律動作体１０に登録されていない新たな発話表現を外部から取り入れることで、状況の変化に追随した柔軟かつ精度の高い音声認識を実現することが可能となる。

続いて、図１６を参照して、本開示の一実施形態に係る辞書更新について具体例を挙げながら説明する。図１６は、本開示の一実施形態に係る辞書更新の具体例を示す図である。

図１６に示す一例の場合、まず初期の段階において、第１辞書７１５には、「おはよう」、「おやすみ」、「いってきます」、「ありがとう」など複数の発話表現が登録されており、第１音声認識部７１０が第１辞書７１５に登録される上記の発話表現に基づく第１音声認識処理を行っている。

この際、発話ログ７２０には、第１音声認識部７１０による第１音声認識処理の結果が蓄積される。なお、図１６には、所定の期間の間に、第１辞書７１５に登録される発話表現に基づいて、「おはよう」が１００回、「おやすみ」が５０回、「いってきます」が２５回、「ありがとう」が０回認識された場合の一例が模式的に示されている。

この際、本開示の一実施形態に係る評価部７３５は、上記の認識回数に基づいて各発話表現に係る発話実績を評価してもよい。評価部７３５は、例えば、認識回数が所定回数以上である「おはよう」、「おやすみ」、「いってきます」の発話実績が高いと評価し、また認識回数が所定未満である「ありがとう」の発話実績が低いと評価することができる。

この場合、本開示の一実施形態に係る辞書更新部７４０は、発話実績が低いと評価された発話表現「ありがとう」を第１辞書７１５から削除し、発話表現「ありがとう」を第２辞書７４５に移行してよい。また、辞書更新部７４０は、代わりに、第２辞書７４５から優先度の高い発話表現「こんにちは」を取得し、第１辞書へ追加登録してよい。

このように、本開示の一実施形態に係る評価部７３５および辞書更新部７４０によれば、発話実績に基づいて第１辞書７１５に登録する発話表現セットを動的に制御することで、第１辞書７１５に登録する発話表現の数を必要十分に抑え、演算量を効果的に低減すると共に精度の高い音声認識を実現することが可能となる。

なお、第２辞書７４５に登録される発話表現の優先度は、例えば、情報処理サーバ２０による集合知や一般知識の分析結果に基づいて設定されてもよい。係る手法によれば、一般によく発話される発話表現の優先度を高く設定することができる。辞書更新部７４０は、例えば、ＳＮＳ（Ｓｏｃｉａｌ Ｎｅｔｗｏｒｋｉｎｇ Ｓｅｒｖｉｃｅ）などでよく用いられている推奨発話表現（例えば、トレンド表現）を情報処理サーバ２０から取得し、例えば、分析部２２０がＳＮＳ中における当該表現の頻出度などに基づいて算出した推奨度に基づいて優先度を設定することも可能である。

また、本開示の一実施形態に係る辞書更新部７４０は、情報処理サーバ２０による集合知の分析結果により得られた相関表現のうち、年齢、性別、地域などのプロファイルが類似する他のユーザが所持する自律動作体１０から収集された発話実績に基づいて取得された相関表現の優先度を高く設定してもよい。

また、第２辞書７４５に登録される発話表現の優先度は、例えば、メタカテゴリに基づいて設定されてもよい。例えば、別れの挨拶である発話表現「バイバイ」が既に第１辞書７１５に登録されている場合、他の別れの挨拶である発話表現「さようなら」などの優先度は低く設定されてもよい。

以上、本開示の一実施形態に係る辞書更新について具体例を挙げて説明した。なお、上記では、評価部７３５が第１音声認識処理による認識回数のみに基づいて各発話表現の発話実績を評価する場合を述べたが、本開示の一実施形態に係る評価部７３５は、発話時ステータスを参照することで、より精度の高い評価を行うことが可能である。

例えば、図１６に示す一例では、発話表現「おはよう」が５０回認識されているが、この際、発話表現「おはよう」が認識された時刻が夜などである場合、評価部７３５は、当該認識結果が第１音声認識部７１０による誤認識や湧き出しによるものであると判定し、発話表現「おはよう」の発話実績を低く評価してもよい。

また、例えば、図１６に示す一例において、発話表現「いってきます」がユーザの帰宅時に認識されている場合や、発話から所定の時間以上ユーザが外出を行っていない場合、評価部７３５は、当該認識結果が第１音声認識部７１０による誤認識や湧き出しによるものであると判定し、発話表現「いってきます」の発話実績を低く評価してもよい。

このように、本開示の一実施形態に係る評価部７３５は、認識回数のみではなく、発話時ステータスを考慮することで、各発話表現に係る発話実績を精度高く評価することが可能である。

この際、本開示の一実施形態に係る評価部７３５は、認識回数やや認識に係る信頼度（Ｃｏｎｆｉｄｅｎｃｅ）、また各種の発話時ステータスに基づいて、発話表現が実際にユーザにより発話された可能性の高さを示す確実度（Ｓｕｒｅｎｅｓｓ）を算出し、当該確実度（例えば、０～１）を発話実績に係る評価値としてもよい。

発話時ステータスの一例としては、発話時刻（Ｗｈｅｎ）、発話場所（Ｗｈｅｒｅ）、発話者（Ｗｈｏ）、自然言語理解により取得された意図（Ｗｈａｔ、Ｗｈｙ、Ｈｏｗ）、発話方向、画像、各種のセンサ情報、マイクロフォンが取得した情報などが挙げられる。

本開示の一実施形態に係る評価部７３５は、例えば、下記の数式（１）により確実度を算出してもよい。

なお、数式（１）におけるＳは発話時ステータスを、ｗは重みを示す。本開示の一実施形態に係る評価部７３５は、各発話表現に対し、各種の発話時ステータスを適用して確実度を算出することで、誤認識や湧き出しなどの可能性がある発話表現と、ユーザが実際に発話した可能性が高い発話表現とを分離することができる。

評価部７３５は、例えば、上記の数式（１）を用いることで、信頼度が低い認識結果に係る発話表現や、認識回数の少ない発話表現、周囲に人が居ない際に認識された発話表現、テレビジョン装置などが配置される方向から検出された発話表現、キッチンなどの生活音が発生しやすい方向から検出された発話表現などの評価値を低く算出することが可能である。

本開示の一実施形態に係る評価部７３５が有する上記の機能によれば、例えば、辞書更新部７４０が、確実度が０．５以下の発話表現を第１辞書７１５から削除することができ、実際に発話された可能性がより高い発話表現を第１辞書７１５に残すことが可能となる。

また、本開示の一実施形態に係る確実度は、上述した集合知に基づいて算出されてもよい。この場合、発話時ステータス間の相関などがデータの蓄積により明確化され、確実度に影響の大きい発話時ステータスの発見や、初期値として与えられた重みの最適化などの効果が期待される。また、上記のような効果により確実度の精度が向上し、第１辞書７１５のユーザ最適化が進むことで、音声認識精度を向上させることが可能となる。

以上、本開示の一実施形態に係る確実度の算出について説明した。なお、本開示の一実施形態に係る評価部７３５による確実度の算出や、確実度に基づく辞書更新は、例えば、１週間～１か月などの期間をおいて定期的または不定期的に実行されてもよい。

次に、本開示の一実施形態に係る第２音声認識処理を用いた辞書更新について説明する。上記では、本開示の一実施形態に係る自律動作体１０が第１辞書７１５を用いた第１音声認識処理の結果に基づいて動作する場合を述べたが、本開示の一実施形態に係る自律動作体１０は、第２辞書７４５を用いた第２音声認識処理をさらに実行し、当該第２音声認識処理の結果にさらに基づいて動作してもよい。

また、この場合、本開示の一実施形態に係る評価部７３５は、第２音声認識処理の結果を用いて各発話実績の評価を行い、辞書更新部７４０は、当該評価の結果に基づいて辞書更新を行ってよい。この際、演算量を抑えるために、辞書更新部７４０は、第１辞書７１５と第２辞書７４５の発話表現数の合計を２０００～３０００のように一定数以下に抑えてもよい。

図１７は、本開示の一実施形態に係る第２音声認識処理の概要について説明するための図である。図１７に示すように、本開示の一実施形態に係る認識部１２０は、第１辞書７１５を用いた第１音声認識処理を実行する第１音声認識部７１０に加え、第２辞書７４５を用いた第２音声認識処理を実行する第２音声認識部７５０をさらに備え得る。なお、図１７では、発話ログ７２０、発話時ステータスログ７３０、評価部７３５、および辞書更新部７４０が自律動作体１０に備えられる場合の構成を示しているが、本実施形態に係る上記の各構成は、図１５Ｂに示すように、情報処理サーバ２０に備えられてもよい。

この際、第１音声認識部７１０および第２音声認識部７５０は、検出された同一の発話に対し、例えば、第１音声認識処理および第２音声認識処理をリアルタイムに実行してもよい。また、第２音声認識処理の結果は、第１音声認識処理の結果と同様に、発話ログ７２０に蓄積される。評価部７３５は、発話表現候補である第２辞書７４５の発話実績を評価し、その評価を基に、第２辞書７４５に登録されている発話表現の優先度を変更してもよい。

第２音声認識部７５０により第２音声認識処理は、第１音声認識部７１０による第１音声認識処理より処理時間が掛かるが、認識精度が第１音声認識部７１０より優れているアルゴリズムを搭載してもおい。例えば、発話データと発話時ステータスを組み合わせることで、認識精度を向上させることが可能である。この際、第１辞書７１５よりも発話表現数の多い第２辞書７４５を用いた第２音声認識処理の結果は、第１音声認識処理の結果に遅延して行動計画部１４０に入力される。

図１８は、本開示の一実施形態に係る第２音声認識処理に基づく辞書更新の具体例を示す図である。図１８に示す一例では、図中左側に示すように、検出された発話に対し第１音声認識部７１０が第１辞書７１５を用いた第１音声認識処理を実行し、認識結果である発話表現「おはよう」を行動計画部１４０に出力し、また発話表現「おはよう」に係る認識結果を発話ログ７２０に保存する。

また、本開示の一実施形態に係る第２音声認識部７５０は、図中右側に示すように、同一の発話に対し、第２辞書を用いた第２音声認識処理を実行し、認識結果である発話表現「おすわり」を行動計画部１４０に出力し、また発話表現「おすわり」に係る認識結果を発話ログ７２０に保存する。

このように、本開示の一実施形態に係る第２音声認識部７５０によれば、第２辞書７４５を用いることで、第１辞書７１５に登録されていない発話表現を正しく認識することが可能となる。

また、この場合、本開示の一実施形態に係る評価部７３５は、第２音声認識部７５０による第２音声認識処理の結果にさらに基づいて、各発話表現の実績を精度高く評価することができる。例えば、第１辞書７１５に登録される発話表現のセットが第２辞書７４５に登録される発話表現セットのサブセットである場合、評価部７３５は、より多い発話表現数に基づいて認識された第２音声認識処理の結果が正しいと判定してよい。

一方、評価部７３５は、第１辞書７１５と第２辞書７４５に登録される発話表現が互いにユニークである場合には、評価部７３５は各音声認識処理の結果に係る信頼度や、発話時ステータスに基づいて、いずれかの認識結果が正しいかを判定してよい。

また、本開示の一実施形態に係る辞書更新部７４０は、評価部７３５による上記の判定に基づいて辞書更新を行うことができる。図１８に示す一例の場合、辞書更新部７４０は、評価部７３５が第２音声認識処理の結果が正しいと判定したことに基づいて、第２辞書７４５に登録されていた発話表現「おすわり」を第１辞書７１５に追加登録している。

このように、本開示の一実施形態に係る第２音声認識処理によれば、予め設定された優先度に加え、実際にユーザが発話を行った実績に基づいて、第２辞書７４５に登録されている発話表現を第１辞書７１５に移行することができる。

また、本開示の一実施形態に係る行動計画部１４０は、第１音声認識処理の結果に続いて入力された第２音声認識処理の結果に基づいて、第１音声認識処理の結果に基づいて立案した行動計画を、修正することが可能である。

図１９は、本開示の一実施形態に係る第２音声認識処理の結果に基づく行動計画の修正について説明するための図である。図１９に示す一例の場合、図中左側に示すように、まず、ユーザが発話表現「おすわり」を含む発話ＵＯ３を行っている。

この場合、図中央に示すように、第２辞書よりも発話表現数の少ない第１辞書７１５を用いた第１音声認識部７１０による第１音声認識処理の結果ＲＲ１が、先行して行動計画部１４０に入力される。図１９に示す一例の場合、発話表現「おすわり」が第１辞書７１５に登録されていないことから、第１音声認識部７１０は、発話ＵＯ３を誤って「おはよう」と認識し、「おはよう」に係る第１音声認識処理の結果ＲＲ１を行動計画部１４０に入力している。

この際、本開示の一実施形態に係る行動計画部１４０は、第１音声認識処理の結果ＲＲ１に基づいて、「おはよう」への応答として吠える動作を計画し、動作制御部１５０が当該計画に基づいて、駆動部１６０や出力部１７０の制御を行う。

また、上記の第１音声認識処理の結果ＲＲ１に基づく行動計画および動作制御と並行して、行動計画部１４０には、図中右側に示すように、第２音声認識処理の結果ＲＲ２が多少の遅延を以って入力される。

ここで、入力された第２音声認識処理の結果ＲＲ２が第１音声認識処理の結果ＲＲ１とは異なる場合、本開示の一実施形態に係る行動計画部１４０は、第１音声認識処理の結果ＲＲ１に基づいて立案した行動計画を、第２音声認識処理の結果ＲＲ２に基づいて修正してよい。

例えば、図１９に示す一例の場合、行動計画部１４０は、上記の吠える動作に係る計画を中止し、第２音声認識処理の結果ＲＲ２に基づいて、新たに、「おすわり」を行う行動を計画している。

このように、本開示の一実施形態に係る第２音声認識結果に基づく行動計画の修正によれば、第１音声認識処理の結果に基づいて、発話に対する速いレスポンスを行った後、精度の高い第２音声認識処理の結果に基づいて、行動を修正するなどの動作を実現することが可能となる。

上記のような行動変化は、ユーザが速いレスポンスを期待する、ヒトや動物を模した自律動作体にとって得に効果的である。本開示の一実施形態に係る第２音声認識処理の結果に基づく行動計画の修正によれば、レスポンスの速さを維持しながら高精度の音声認識処理結果に基づく動作を実行することで、ユーザの満足度を向上させることが可能である。

続いて、本開示の一実施形態に係る第３音声認識処理の結果に基づく発話実績の修正について述べる。上記では、本開示の一実施形態に係る自律動作体１０が第１辞書７１５を用いた第１音声認識処理、および第２辞書７４５を用いた第２音声認識処理を行う場合を述べた。一方、本開示の一実施形態に係る自律動作体１０は、第１辞書７１５および第２辞書７４５よりも多数かつ多様な発話表現が登録された大辞書７５５を用いて、より高精度な第３音声認識処理を実行してもよい。

図２０は、本開示の一実施形態に係る大辞書７５５を用いた第３音声認識処理について説明するための図である。図２０を参照すると、本開示の一実施形態に係る認識部１２０は、第１音声認識部７１０および第２音声認識部７５０に加え、大辞書７５５を用いた第３音声認識処理を実行する第３音声認識部７６０を備え得ることがわかる。なお、図２０では、発話ログ７２０、発話時ステータスログ７３０、評価部７３５、および辞書更新部７４０が自律動作体１０に備えられる場合の構成を示しているが、本実施形態に係る上記の各構成は、図１５Ｂに示すように、情報処理サーバ２０に備えられてもよい。

この際、本開示の一実施形態に係る第３音声認識部７６０は、第１音声認識処理や第２音声認識処理とは異なり、発話時ステータスログ７３０の一部として保存されたＰＣＭデータを用いて、事後的に音声認識処理を実行してよい。また、本開示の一実施形態に係る評価部７３５は、第３音声認識部７６０による第３音声認識処理の結果に基づいて、発話ログ７２０に蓄積される各発話表現の発話実績を再評価してよい。

本開示の一実施形態に係る第３音声認識部７６０は、例えば、ユーザが就寝した後など、計算資源の使用率が閾値未満となることが予測される時間帯に、多数かつ多様な発話表現が登録された大辞書７５５を用いた第３音声認識処理を実行することで、余った計算資源を活用し非常に高精度な音声認識結果を得ることができる。

また、本開示の一実施形態に係る第３音声認識部７６０は、第１音声認識部７１０および第２音声認識部７５０とは異なる言語モデル７６５を用いた第３音声認識処理を行うことも可能である。例えば、第１音声認識部７１０および第２音声認識部７５０が日本語の言語モデルを用いて音声認識処理を行う場合、第３音声認識部７６０は、日本語のほか英語や中国語などの言語モデル７６５を用いて第３音声認識処理を行ってもよい。

本開示の一実施形態に係る第３音声認識部７６０が有する上記の機能によれば、リアルタイムに行われた第１音声認識処理および第２音声認識処理の結果を、事後的に高精度な第３音声認識処理の結果で再評価するとともに、より多様な言語に対応した音声認識を実行することが可能となる。

図２１は、本開示の一実施形態に係る第３音声認識処理の結果に基づく発話実績の再評価の一例を示す図である。図２１に示す一例の場合、まず、図中左側に示すように、ユーザの発話ＵＯ４に対し、第１辞書７１５を用いた第１音声処理、および第２辞書７４５を用いた第２音声認識処理がそれぞれリアルタイムで実行され、第１音声認識処理の結果ＲＲ１と第２音声認識処理の結果ＲＲ２が取得される。

一方、本開示の一実施形態に係る第３音声認識部７６０は、例えば、深夜における充電中など、計算資源が計算資源の使用率が閾値未満となることが予測される時間帯に、豊富な発話表現が登録された大辞書７５５や、複数の言語モデル７６５を用いた第３音声認識処理を実行することで、自律動作体１０の他の動作に負担を掛けずに、非常に高精度な音声認識を実現することができる。

また、本開示の一実施形態に係る評価部７３５は、高精度な第３音声認識処理の結果ＲＲ３４に基づいて、リアルタイムに取得された第１音声認識の結果ＲＲ１や第２音声認識処理の結果ＲＲ２に係る発話表現の再評価を行うことができる。

例えば、図２１に示す一例の場合、評価部７３５は、第３音声認識処理の結果ＲＲ３が、“Ｂａｒｋ”であることに基づいて、第１音声認識処理の結果ＲＲ１や第２音声認識処理の結果ＲＲ２に係る発話表現「バイバイ」や発話表現「バック」が誤認識であると判定してよい。

このように、本開示の一実施形態に係る第３音声認識処理によれば、誤認識や湧き出しの影響を排除し、実際にユーザが発話を行った可能性が著しく高い発話表現を高く評価することで、実際の発話実績に応じた発話表現を第１辞書に優先的に追加することが可能となる。

次に、本開示の一実施形態に係る発話表現の登録上限数の動的変更について説明する。上記では、第１辞書７１５に登録される発話表現を限定し、さらに、第２音声認識部７５０を有する場合は第２辞書７４５に登録される発話表現数も限定し、当該発話表現を発話実績に応じて動的に更新することで、演算量の低減と音声認識精度の向上を両立することを述べた。

一方、ユーザが用いる発話表現の数は、ユーザの状況などに応じて変化する場合も想定される。このため、本開示の一実施形態に係る辞書更新部７４０は、ユーザ状況に基づいて、第１辞書７１５などに登録が可能な発話表現の最大数を動的に変更する機能を有してもよい。

図２２は、本開示の一実施形態に係る発話表現の登録上限数の動的変更について説明するための図である。例えば、図２２の左側には、自律動作体１０の利用開始時において、ユーザＵ１がまだ子供である場合の一例が示されている。

この際、本開示の一実施形態に係る辞書更新部７４０は、ユーザＵ１が用いる発話表現が比較的少ないことが予測されることから、第１辞書７１５に登録可能な発話表現の最大数を１０００としてもよい。

一方、経時に伴いユーザＵ１が成長した場合、ユーザＵ１が用いる発話表現の数が増加することが想定される。このため、本開示の一実施形態に係る辞書更新部７４０は、図中央に示すように、ユーザＵ１の成長に合せて、第１辞書７１５に登録可能な発話表現の最大数を２０００に変更してもよい。

また、例えば、経時に伴い、ユーザＵ１が結婚するなどし、自律動作体１０を利用するユーザの数が増加することも想定される。このため、本開示の一実施形態に係る辞書更新部７４０は、上記のようなユーザの増減に応じて第１辞書７１５に登録可能な発話表現の最大数を都度変更してよい。図２２に示す一例の場合、辞書更新部７４０は、ユーザＵ２が新たに加わったことに基づいて、第１辞書７１５に登録可能な発話表現の最大数を３０００に変更している。

このように、本開示の一実施形態に係る辞書更新部７４０は、ユーザの成長やユーザの増減などに基づいて、第１辞書７１５に登録が可能な発話表現の最大数を動的に変更することが可能である。本開示の一実施形態に係る辞書更新部７４０が有する上記の機能によれば、ユーザ状況の変化に追随した数の発話表現を第１辞書７１５に登録し、過不足の少ない音声認識を実現することが可能となる。

以上、本開示の一実施形態に係る発話実績の評価や、当該評価に基づく辞書の更新について述べた。なお、本開示の一実施形態に係る自律動作体１０や情報処理サーバ２０は、上記のように認識したユーザの発話に基づいて、種々の動作や処理を実行することが可能である。

例えば、本開示の一実施形態に係る情報処理サーバ２０は、自律動作体１０が認識した発話に係る通知などをユーザが所持するスマートフォンなどの端末に通知する機能を有してもよい。この際、情報処理サーバ２０は、例えば、端末上にインストールされたアプリケーションを介して、自律動作体１０が認識した発話表現をユーザに提示してもよい。

例えば、自律動作体１０が「リンゴ」という発話表現を認識した場合、情報処理サーバ２０は、最近のお気に入りワードとして「リンゴ」を提示するとともに、「リンゴが好きなの？」などメッセージをユーザに通知してもよい。当該機能によれば、自律動作体１０がユーザの発話をきちんと把握していることを当該ユーザに対しアピールすることができる。

また、本開示の一実施形態に係る自律動作体１０が認識した各種の発話表現は、自律動作体１０の性格や行動へのフィードバックに用いられてもよい。例えば、ユーザが方言を用いて自律動作体１０を褒めた場合、同一方言の叱る表現を第１辞書７１５に追加登録することで、以降、ユーザが方言を用いて自律動作体１０を叱った場合に、自律動作体１０が当該方言に対して正しい反応を示すことが可能となる。

また、認識された発話表現は、所定の機能の実行のトリガとして用いられてもよい。例えば、あるスポーツにおいて所定のトレンド表現が流行し、第１辞書７１５に登録された当該トレンド表現が認識された場合、自律動作体１０は、上記スポーツを想起させる動作を行うことが可能である。

また、本開示の一実施形態に係る自律動作体１０は、認識した発話表現を真似た出力を行うなどして、ユーザを楽しませてもよい。

また、自律動作体１０は、外部の装置やサービスとの連携を行ってもよい。自律動作体１０は、例えば、認識した発話表現が「たすけて」である場合、自律動作体１０は、家族などに連絡が送られるよう制御を行ってもよい。また、例えば、認識した発話表現が「天気教えて」である場合、自律動作体１０は、天気情報を外部サービスに問い合わせてもよい。また、自律動作体１０は、例えば、認識したユーザの指示に基づいて、ＳＮＳなどに登録を行うことも可能である。

また、本開示の一実施形態に係る自律動作体１０は、カメラ５２０がある物体を捉えている際に、「これはリンゴだよ」という発話を認識した場合、上記物体の画像と「リンゴ」という発話表現を対応付けて学習することも可能である。

以上、認識結果に基づく動作や処理の一例について説明した。このように、本開示の一実施形態に係る自律動作体１０は、認識した発話表現に基づいて、種々の動作や処理を実行することが可能である。

また、本開示の一実施形態に係る自律動作体１０は、上記で述べた以外にも、多様な変形処理を実行することが可能である。例えば、自律動作体１０は、発話表現の認識回数や信頼度に基づいて辞書更新に係る評価の基準を動的に変更してもよい。自律動作体１０は、信頼度や認識回数の重視度を適宜変更することで、例えば、棄却重視型、バランス型、認識率重視型などの評価モードを切り替えることも可能である。

また、上記では、本開示の一実施形態に係る第２辞書７４５が自律動作体１０に備えられる場合を主な例として述べたが、本開示の一実施形態に係る第２辞書７４５は、情報処理サーバ２０などのクラウド上に設置される装置に備えられてもよい。

この際、本開示の一実施形態に係る自律動作体１０は、ローカル側での第１音声認識処理の結果とクラウド側での第２音声認識処理の結果に基づいて行動計画や動作を行い、クラウド側における第２音声認識処理により頻繁に認識される発話表現が検出された場合には、当該発話表現をローカル側の第１辞書７１５に移行することで、レスポンスを高めることができる。

また、上記では、本開示の一実施形態に係る発話実績の評価が１週間～１か月程度の間隔で行われる場合を述べたが、本開示の一実施形態に係る発話実績の評価や辞書更新は、例えば、１週間ごと、１か月ごと、半年ごとなどのスパンの組み合わせであってもよい。これによれば、１週間ごとの処理による感度の高い評価を、半年ごとの評価により丸めることなどが可能となる。

また、本開示の一実施形態に係る自律動作体１０は、初期状態においては、言語モデルを特定せずに、例えば、日本語、英語、中国語などの複数の言語モデルを用いて自動音声認識処理を行ってもよい。この際、自律動作体１０は、認識した発話表現が日本語であることが多い場合には、日本語の発話表現をより多く第１辞書７１５に登録し、英語や中国語の発話表現を第１辞書７１５から徐々に削除してよい。係る機能によれば、ユーザが初期設定において、使用言語を指定することなく、音声認識機能を利用することが可能となる。

また、上記では、評価部７３５が認識回数などに基づいて発話実績を評価する場合を主な例として述べたが、本開示の一実施形態に係る評価部７３５は、必ずしも認識回数を評価の指標として用いなくてもよい。例えば、「誕生日」や「はじめまして」などの発話表現は、個人に着目した場合、通年用いられる発話表現ではないことが想定されるが、認識すべき重要な発話表現の一つである。

このため、本開示の一実施形態に係る第１辞書７１５には、認識回数などによる評価に依存せず、常時登録される固定表現が存在してもよい。一方、評価部７３５が集合知に基づく評価を行う場合には、上記の「誕生日」や「はじめまして」は、全体での認識回数が時期等を問わず平均化されることが予測されることから、認識回数に基づいて評価を行った場合であっても、第１辞書７１５に登録され続けることも想定される。

＜３．まとめ＞
以上説明したように、本開示の一実施形態に係る自律動作体１０は、複数の発話表現が登録された第１辞書７１５と、第１辞書７１５を用いた第１音声認識処理を実行する第１音声認識部７１０と、ユーザの発話実績に基づいて第１辞書７１５に登録される発話表現を更新する辞書更新部７４０と、を備える。また、本開示の一実施形態に係る辞書更新部７４０は、発話実績が低い発話表現を第１辞書７１５から削除、または第１辞書７１５に登録されていない複数の発話表現が登録された第２辞書７４５へ移行すること、を特徴の一つとする。係る構成によれば、演算量を抑えながら音声認識精度を向上させることが可能となる。

以上、添付図面を参照しながら本開示の好適な実施形態について詳細に説明したが、本開示の技術的範囲はかかる例に限定されない。本開示の技術分野における通常の知識を有する者であれば、特許請求の範囲に記載された技術的思想の範疇内において、各種の変更例または修正例に想到し得ることは明らかであり、これらについても、当然に本開示の技術的範囲に属するものと了解される。

また、本明細書に記載された効果は、あくまで説明的または例示的なものであって限定的ではない。つまり、本開示に係る技術は、上記の効果とともに、または上記の効果に代えて、本明細書の記載から当業者には明らかな他の効果を奏しうる。

また、コンピュータに内蔵されるＣＰＵ、ＲＯＭおよびＲＡＭなどのハードウェアに、自律動作体１０などにより実現される情報処理装置が有する構成と同等の機能を発揮させるためのプログラムも作成可能であり、当該プログラムを記録した、コンピュータに読み取り可能な記録媒体も提供され得る。

なお、以下のような構成も本開示の技術的範囲に属する。
（１）
複数の発話表現が登録された第１辞書と、
前記第１辞書を用いた第１音声認識処理を実行する第１音声認識部と、
ユーザの発話実績に基づいて前記第１辞書に登録される発話表現を更新する辞書更新部と、
を備え、
前記辞書更新部は、前記発話実績が低い発話表現を前記第１辞書から削除、または前記第１辞書に登録されていない複数の発話表現が登録された第２辞書へ移行する、
情報処理装置。
（２）
前記辞書更新部は、前記第２辞書に登録されている発話表現の優先度に基づいて、前記第２辞書に登録されている発話表現を前記第１辞書に移行する、
前記（１）に記載の情報処理装置。
（３）
前記第２辞書、をさらに備える、
前記（１）または（２）に記載の情報処理装置。
（４）
前記辞書更新部は、外部装置から取得した発話表現を前記第１辞書または前記第２辞書に追加登録する、
前記（３）に記載の情報処理装置。
（５）
前記辞書更新部は、前記外部装置が有する集合知に基づき分析された相関表現を前記外部装置から取得し、
前記集合知は、複数の端末から収集された前記発話実績の集合である、
前記（４）に記載の情報処理装置。
（６）
前記第２辞書を用いた第２音声認識処理を実行する第２音声認識部、
をさらに備え、
前記第１音声認識部および前記第２音声認識部は、検出された同一の発話に対し、前記第１音声認識処理および前記第２音声認識処理をそれぞれ実行する、
前記（３）～（５）のいずれかに記載の情報処理装置。
（７）
前記第１音声認識部および前記第２音声認識部は、前記第１音声認識処理および前記第２音声認識処理をリアルタイムに実行する、
前記（６）に記載の情報処理装置。
（８）
前記第１音声認識処理の結果に基づいて自律動作体の行動を計画する行動計画部、
をさらに備え、
前記行動計画部は、前記第１音声認識処理の結果に基づいて立案した行動計画を、前記第２音声認識処理の結果に基づいて修正する、
前記（６）に記載の情報処理装置。
（９）
前記発話実績の評価を行う評価部、
をさらに備え、
前記評価部は、前記第１音声認識処理により認識された発話表現の回数と、ユーザの発話時に取得された発話時ステータスとに基づいて、前記発話実績を評価する、
前記（１）～（８）のいずれかに記載の情報処理装置。
（１０）
前記評価部は、前記第２辞書を用いた第２音声認識処理の結果にさらに基づいて、前記発話実績を評価する、
前記（９）に記載の情報処理装置。
（１１）
前記評価部は、前記第１音声認識処理の結果および前記発話時ステータスから算出した確実度に基づいて、前記発話実績を評価する、
前記（９）または（１０）に記載の情報処理装置。
（１２）
前記第１辞書および前記第２辞書よりも多くの発話表現が登録された大辞書を用いた第３音声認識処理を実行する第３音声認識部、
をさらに備え、
前記評価部は、前記第３音声認識処理の結果に基づいて前記発話実績を評価する、
前記（９）～（１１）のいずれかに記載の情報処理装置。
（１３）
前記第３音声認識部は、計算資源の使用率が閾値未満となることが予測される時間帯に前記第３音声認識処理を実行する、
前記（１２）に記載の情報処理装置。
（１４）
前記第３音声認識部は、前記第１音声認識部とは、異なる言語モデルを用いた前記第３音声認識処理を実行する、
前記（１２）または（１３）に記載の情報処理装置。
（１５）
前記辞書更新部は、ユーザ状況に基づいて、前記第１辞書に登録が可能な発話表現の最大数を動的に変更する、
前記（１）～（１４）のいずれかに記載の情報処理装置。
（１６）
前記辞書更新部は、ユーザの増減またはユーザの成長のうち少なくともいずれかに基づいて、前記第１辞書に登録が可能な発話表現の最大数を動的に変更する、
前記（１５）に記載の情報処理装置。
（１７）
前記発話表現は、少なくとも語彙を含む、
前記（１）～（１６）のいずれかに記載の情報処理装置。
（１８）
前記自律動作体である、
前記（８）に記載の情報処理装置。
（１９）
プロセッサが、複数の発話表現が登録された第１辞書を用いた第１音声認識処理を実行することと、
ユーザの発話実績に基づいて前記第１辞書に登録される発話表現を更新することと、
を含み、
前記更新することは、前記発話実績が低い発話表現を前記第１辞書から削除、または前記第１辞書に登録されていない複数の発話表現が登録された第２辞書へ移行すること、をさらに含む、
情報処理方法。
（２０）
コンピュータを、
複数の発話表現が登録された第１辞書と、
前記第１辞書を用いた第１音声認識処理を実行する第１音声認識部と、
ユーザの発話実績に基づいて前記第１辞書に登録される発話表現を更新する辞書更新部と、
を備え、
前記辞書更新部は、前記発話実績が低い発話表現を前記第１辞書から削除、または前記第１辞書に登録されていない複数の発話表現が登録された第２辞書へ移行する、
情報処理装置、
として機能させるためのプログラム。

１０ 自律動作体
１１０ 入力部
１２０ 認識部
１３０ 学習部
１４０ 行動計画部
１５０ 動作制御部
１６０ 駆動部
１７０ 出力部
７１０ 第１音声認識部
７１５ 第１辞書
７２０ 発話ログ
７２５ 状態認識部
７３０ 発話時ステータスログ
７３５ 評価部
７４０ 辞書更新部
７４５ 第２辞書
７５０ 第２音声認識部
７５５ 大辞書
７６０ 第３音声認識部
７６５ 言語モデル

Claims (9)

1. 複数の発話表現が登録された第１辞書と、
   前記第１辞書を用いた第１音声認識処理を実行する第１音声認識部と、
   ユーザの発話実績に基づいて前記第１辞書に登録される発話表現を更新する辞書更新部と、
   を備え、
   前記辞書更新部は、前記発話実績が低い発話表現を前記第１辞書から削除、または前記第１辞書に登録されていない複数の発話表現が登録された第２辞書へ移行し、
   前記辞書更新部は、外部装置が有する集合知に基づき分析された相関表現を前記外部装置から取得し、取得した前記相関表現を前記第１辞書または前記第２辞書に追加登録し、
   前記集合知は、複数の端末から収集された前記発話実績の集合であり、
   前記辞書更新部は、前記第２辞書に登録されている発話表現の優先度に基づいて、前記第２辞書に登録されている発話表現を前記第１辞書に移行する、
   情報処理装置。
2. 前記第２辞書は、前記第１辞書に登録する発話表現の候補を複数含む発話表現辞書である、
   請求項１に記載の情報処理装置。
3. 前記第２辞書、をさらに備える、
   請求項１に記載の情報処理装置。
4. 複数の発話表現が登録された第１辞書と、
   前記第１辞書を用いた第１音声認識処理を実行する第１音声認識部と、
   ユーザの発話実績に基づいて前記第１辞書に登録される発話表現を更新する辞書更新部と、
   を備え、
   前記辞書更新部は、前記発話実績が低い発話表現を前記第１辞書から削除、または前記第１辞書に登録されていない複数の発話表現が登録された第２辞書へ移行し、
   前記辞書更新部は、外部装置が有する集合知に基づき分析された相関表現を前記外部装置から取得し、取得した前記相関表現を前記第１辞書または前記第２辞書に追加登録し、
   前記集合知は、複数の端末から収集された前記発話実績の集合であり、
   前記第２辞書を用いた第２音声認識処理を実行する第２音声認識部、
   をさらに備え、
   前記第１音声認識部および前記第２音声認識部は、検出された同一の発話に対し、前記第１音声認識処理および前記第２音声認識処理をそれぞれ実行する、
   情報処理装置。
5. 前記第１音声認識部および前記第２音声認識部は、前記第１音声認識処理および前記第２音声認識処理をリアルタイムに実行する、
   請求項４に記載の情報処理装置。
6. 前記第２音声認識処理の認識精度は、前記第１音声認識処理の認識精度より優れている、
   請求項４に記載の情報処理装置。
7. 前記発話表現は、少なくとも語彙を含む、
   請求項１に記載の情報処理装置。
8. プロセッサが、
   複数の発話表現が登録された第１辞書を用いた第１音声認識処理を実行することと、
   ユーザの発話実績に基づいて前記第１辞書に登録される発話表現を更新することと、
   を含み、
   前記更新することは、前記発話実績が低い発話表現を前記第１辞書から削除、または前記第１辞書に登録されていない複数の発話表現が登録された第２辞書へ移行すること、を含み、
   前記プロセッサが、
   外部装置が有する集合知に基づき分析された相関表現を前記外部装置から取得し、取得した前記相関表現を前記第１辞書または前記第２辞書に追加登録することと、
   前記第２辞書に登録されている発話表現の優先度に基づいて、前記第２辞書に登録されている発話表現を前記第１辞書に移行することと、
   をさらに含み、
   前記集合知は、複数の端末から収集された前記発話実績の集合である、
   情報処理方法。
9. コンピュータを、
   複数の発話表現が登録された第１辞書と、
   前記第１辞書を用いた第１音声認識処理を実行する第１音声認識部と、
   ユーザの発話実績に基づいて前記第１辞書に登録される発話表現を更新する辞書更新部と、
   を備え、
   前記辞書更新部は、前記発話実績が低い発話表現を前記第１辞書から削除、または前記第１辞書に登録されていない複数の発話表現が登録された第２辞書へ移行し、
   前記辞書更新部は、外部装置が有する集合知に基づき分析された相関表現を前記外部装置から取得し、取得した前記相関表現を前記第１辞書または前記第２辞書に追加登録し、
   前記集合知は、複数の端末から収集された前記発話実績の集合であり、
   前記辞書更新部は、前記第２辞書に登録されている発話表現の優先度に基づいて、前記第２辞書に登録されている発話表現を前記第１辞書に移行する、
   情報処理装置、
   として機能させるためのプログラム。

Images