JP4248589B2 - 音声認識システム - Google Patents

Description

本発明は、印刷物等に形成したドットパターン情報を光学的に読み取ることにより、その後入力される音声の音声認識の精度を高めた音声認識システムに関するものである。

従来、人間の話す言語をコンピュータによって解析し、話している内容を文字データとして取り出す処理である音声認識が知られている。音声認識は、キーボードからの入力に代わる文字入力方法として注目されている。

しかし、このような音声認識方法では、ユーザの発音やイントネーション等により、音声を正確に認識できず、目的の単語と異なる単語に変換されてしまうという問題がある。

このような問題を解決するため、１つの選択対象の項目に対し関連づけされた複数の発声対象を表示する音声認識装置が提案されている（たとえば、特許文献１）。この音声認識装置では、利用者の発声が、画面に表示された発声対象のいずれかに対応していれば、その発声対象に関連づけられた項目が選択されたと判定する。そのため、選択対象の項目を発声した場合に正確に認識できなかった場合でも、他の発声対象を発声した場合に正確に認識できれば、目的の選択項目が選択されるため、認識率が向上し、利用者にストレスを感じさせることなく、所望の項目が選択できるようになっている。
特開２００５−４０３２号公報

しかし、特許文献１の音声認識装置では、画面に表示された項目および発声対象に対してしか認識ができず、柔軟性に欠けるという問題がある。また、発声対象は、選択項目と関係のない形状や果物の名称等であるため、かえって利用者を混乱させ、ストレスを感じさせるという問題も有している。

本発明は、かかる問題点を解決するために創案されたものである。すなわち、本発明の目的は、簡易で柔軟性に富み、ユーザがストレスを感じることなく利用でき、音声認識の精度の高い音声認識システムを提供することを技術的課題とする。

本発明は、前記課題を解決するために、以下の手段を採用した。

本発明の請求項１は、音声認識システムであって、音声情報を入力する音声入力手段と、カテゴリコードを意味するドットパターンが、カテゴリを意味する文字、図形、またはアイコンと重畳印刷された媒体と、からなり、ドットパターンを読み取る光学読取手段で、前記媒体上でカテゴリを意味するドットパターンを読み取り、該ドットパターンをカテゴリコード（ドットコード）に変換し、その後前記音声入力手段から入力された音声情報を前記カテゴリコードによって分類することにより音声認識の精度を高めることを特徴とする音声認識システムである。

これによれば、音声入力を行う前に、まず媒体に印刷されたカテゴリコードを読み取るため、入力される音声のカテゴリがあらかじめ決定されることになる。そのため、変換候補が大幅に限定され、音声認識の精度が飛躍的に向上する。
本発明の請求項２は、前記音声認識システムは、前記音声情報を解析しテキストデータに変換する音声認識回路を有し、該テキストデータを送信することを特徴とする請求項１記載の音声認識システムである。

本発明によれば、音声認識の精度が飛躍的に向上し、ユーザがストレスを感じることなく利用できる音声認識システムを提供することができる。

図１は、本発明の実施形態であるボイスレコーダ（音声情報記録装置）の正面図であり、図２はその右側面図、図３はその左側面図である。

ボイスレコーダ１０１には、その筐体表面にスピーカ１０２が設けられており、音声情報の再生出力が可能となっている。スピーカ１０２の上方には、録音・停止ボタン１０３，録音再生表示部１０４、リンク表示部１０５、左上方には音声情報入力用のマイク１０７が設けられている。

なお、ボイスレコーダ１０１の筐体表面には図９に示すような液晶画面９０１を設けてもよい。この液晶画面９０１には、録音状態、再生状態、停止状態、リンク状態、録音・再生トラック番号等を表示することが可能である。

ボイスレコーダ１０１の右側面には、電源スイッチ１０８とボリューム１０９が配置されており、ボイスレコーダ１０１の電源投入とスピーカ１０２から再生される音声情報の音量調節が可能となっている。

ボイスレコーダ１０１の左側面には、コネクタ端子(SCANNER)１１０、音声出力端子（PHNE）１１１および外部電源端子(DC IN)１１２が設けられている。コネクタ端子１１０は、たとえばＵＳＢ端子等の汎用シリアルインターフェースであり、図４に示すようにスキャナ１１３（光学読取手段）のケーブル１１４の端部に設けられたＵＳＢコネクタ１１５が装着されるようになっている。

スキャナ１１３には、図５に示すように、ＣＭＯＳ撮像素子(CMOSS)が配置されており、ＬＥＤ(IRLED)からの照射光をドットパターンの印刷面に照射し、その反射光が可視光フィルタ（図示せず）を介することによって赤外線領域のみの波長光として受光し、これがレンズを介してＣＭＯＳ撮像素子によって撮影され、該撮影画像が中央処理装置（ＭＰＵ）によって解析され、解析結果のコード情報（３２ｂｉｔのドットコード）または座標情報としてボイスレコーダ１０１に送信される。なお、このときドットパターンにはキードット２（図１２および図１４参照）が配置されてドットパターンを構成するブロックの向き（角度）も角度情報として受信可能となっている。

つまり、ドットパターンの撮影画像をビデオメモリに展開することで、各ドットのＸＹ座標値がわかるので、これを元に格子ドットとキードットを探索することで当該ドットパターンの向き（ビデオメモリの正ＸＹ座標軸に対するドットパターンの角度）が検出できる。

なお、スキャナ内には解析ソフトウエアがＲＯＭ等に格納されており、中央処理装置（ＭＰＵ）は、当該ＲＯＭから当該ソフトウエアを読み込むことによって撮影画像の解析処理（ドットパターンの認識→数値変換→ドットコード、座標情報、角度情報に変換）を実行する。

ボイスレコーダ１０１本体内は、図５に示すように、中央処理装置（ＭＰＵ）を中心に構成されている。すなわち、中央処理装置（ＭＰＵ）の制御によって、マイクから入力された音声情報は、アンプを介してＡ／Ｄコンバータ、圧縮回路によって処理され、デジタル音声情報として、コネクタを介してメモリカード１０６（記憶手段）に記録される。

このメモリカード１０６の外観を示したのが図１１である。このメモリカード１０６は、たとえばメモリとしてのＩＣチップを内蔵したクレジットカードサイズのプラスチックカードであり、信号ピン、電源ピンを構成する接触型の電極１０６ａを有している。なお、非接触の無線通信型のＲＦＩＤカードであってもよい。また、このようなカードの他、ＳＤカード（商標名）、ミニＳＤカード（商標名）、メモリースティック（商標名）、メモリースティック・デュオ（商標名）等の規格型のメモリカードであってもよい。

当該ボイスレコーダ１０１において、音声情報を再生する際には、メモリカード１０６（記憶手段）から読み出されたデジタル音声情報は、コネクタを介して中央処理装置（ＭＰＵ）に読み込まれ、圧縮回路で逆圧縮（展開）されて、Ａ／Ｄコンバータでアナログ情報に変換されてアンプ（ＡＭＰ）を介してスピーカから出力される。

なお、ボイスレコーダ１０１の駆動電流は、電池からＤＣ−ＤＣコンバータを介して、中央処理装置（ＭＰＵ）、圧縮回路、アンプ（ＡＭＰ）に供給されるようになっている。

図６は、ボイスレコーダ１０１の操作指示をスキャナ１１３の読み取りで行うための指示ボード６００（ペーパーコントローラ：印刷媒体）である。この指示ボード６００は、ボイスレコーダ１０１の操作指示を示すシンボルが印刷されている。このシンボルの領域には操作指示に対応したコードを意味するドットパターンが印刷されている。ドットパターンについては後述する。

この指示ボード６００は紙材で構成され、紙材の表面にドットパターンが印刷され、さらにはその上層にラミネート加工が施されている。

指示ボード６００上には、録音６０１、音声品質６０２ａ〜６０２ｃ、再生６０４、早送り６０５、停止６０６、一時停止６１９、戻り・再生６０７、送り・再生６０８、先頭・再生６０９、後尾・再生６１０が設けられておりボイスレコーダ１０１でのそれぞれの機能が命令可能となっている。

また、指示ボード６００の下部には、リンク関連の指示シンボルが印刷されている。すなわち、リンク開始６１１、リンク終了６１２、リンク解除６１３、全リンク解除６１４の各指示シンボルが配置されている。

さらには、指示ボード６００の最下部には、音声消去６１５、全音声消去６１６の各指示シンボルと、実行６１７、中止６１８の各指示シンボルが配置されている。

なお、図示はしなかったが、この他に指示ボード６００には、音声ナビゲーションのシンボルを印刷しておいてもよい。この音声ナビゲーションは、ボイスレコーダ１０１や指示ボード６００を操作する際の音声ガイダンスの有無を指示入力するためのシンボルである。

図７は、記憶手段（メモリカード）に記録される音声情報のフォーマットを示している。音声情報は、インデックス７０１と、複数の音声ファイルトラック７０２とで構成されている。

インデックス７０１には、トラック毎の管理情報と、再生フラグが登録されるようになっている。

また、インデックス７０１は各音声ファイルトラック７０２の音声情報の消去・更新の禁止情報が記録されており、これによって音声ファイルトラックは消去・更新が可能なトラックと、消去・更新が禁止されているトラックの２種類に分けて管理することが可能となっている。

たとえば、消去・更新を禁止するトラックとしては、ボイスレコーダ１０１や指示ボード６００の次の操作を音声で指示するナビゲーション音声ファイルが格納されたトラックや、絵本等とのセットで販売されたメモリカード１０６であらかじめ絵本のストーリーにしたがって声優が音声を記録しているトラック等が考えられる。一方、消去・更新が可能なトラックには、購入したユーザが絵本の登場人物になって発声するセリフ等を入力しておくことができる。

また、消去・更新を禁止するトラックには、前述の音声ナビゲーションのガイダンス音声等を登録しておいてもよい。

図８は、記憶手段（メモリカード）に設けられた照合テーブルおよび照合コードを示している。

同図に示すように、本実施形態での照合テーブルはＣ８〜Ｃ２２，Ｃ３１の値を照合範囲として設定しており、この範囲に存在する照合コードがドットパターンから読み取った照合コードと一致する場合には、当該ドットパターンが当該ボイスレコーダに適合しているものとして音声情報の再生を許可する。

なお、照合テーブルは任意に変更可能であり、たとえば当該ボイスレコーダのメーカー毎、メモリカードのメーカー毎、ゲームの種類毎に照合テーブルの照合範囲を変更してもよい。

このような照合テーブル、照合コードをメモリカード１０６に登録しておくことにより、当該照合コードと同一のコードがドットパターンとして印刷されている絵本でしか音声情報の録音・再生ができないようにすることが可能である。すなわち、セットで販売されている絵本とメモリカード１０６との組合せでなければ音声録音・再生が行えない仕組みを提供することができる。

このとき、中央処理装置（ＭＰＵ）はスキャナ１１３が読み込んだドットパターンに基づいて、所定の領域のドットコード（照合コード）をスキャナ１１３から受信して、これをメモリカード１０６の照合コードと比較して一致していればメモリカード１０６内の音声情報の録音・再生を許可する。

図１０は、リンクテーブルについて説明したものであり、当該リンクテーブルはメモリカード１０６に設けられている。リンクテーブルは、同図に示すように、登録順を示すラベルと、音声ファイルトラック番号と、３２ｂｉｔのドットコードとで構成されている。本実施形態において、１つの音声ファイルトラック番号に対して複数のドットコードを関係付けることができるようになっている。これによって、異なる多数のドットパターンの印刷された写真、シール、絵本等の媒体をスキャナ１１３で読み取った場合でも同一の音声情報を再生させることが可能となる。

次に、本実施形態で用いられるドットパターンについて説明する。

図１２は本発明のドットパターンの一例であるＧＲＩＤ１を示す説明図である。図１３はドットパターンの情報ドットおよびそれに定義されたデータのビット表示の一例を示す拡大図である。図１４（ａ）、（ｂ）はキードットを中心に配置した情報ドットを示す説明図である。

本発明のドットパターンを用いた情報入出力方法は、ドットパターン１の生成と、そのドットパターン１の認識と、このドットパターン１から情報およびプログラムを出力する手段とからなる。すなわち、ドットパターン１をカメラにより画像データとして取り込み、まず、格子ドットを抽出し、次に本来格子ドットがある位置にドットが打たれていないことによってキードット２を抽出し、次に情報ドット３を抽出することによりデジタル化して情報領域を抽出して情報の数値化を図り、その数値情報より、このドットパターン１から音声情報を出力させる。

本発明のドットパターン１の生成は、ドットコード生成アルゴリズムにより、音声等の情報を認識させるために微細なドット、すなわち、キードット２、情報ドット３、格子ドット４を所定の規則に則って配列する。図１２に示すように、情報を表すドットパターン１のブロックは、キードット２を中心に５×５の格子ドット４を配置し、４点の格子ドット４に囲まれた中心の仮想点の周囲に情報ドット３を配置する。このブロックには任意の数値情報が定義される。なお、図１２の図示例では、ドットパターン１のブロック（太線枠内）を４個並列させた状態を示している。ただし、ドットパターン１は４ブロックに限定されないことはもちろんである。

１つのブロックに１つの対応した情報を出力させ、または、複数のブロックに１つの対応した情報を出力させることができる。

格子ドット４は、カメラでこのドットパターン１を画像データとして取り込む際に、そのカメラのレンズの歪みや斜めからの撮像、紙面の伸縮、媒体表面の湾曲、印刷時の歪みを矯正することができる。具体的には歪んだ４点の格子ドット４を元の正方形に変換する補正用の関数（Ｘｎ，Ｙｎ）＝ｆ（Ｘ´ｎ，Ｙ´ｎ）を求め、その同一の関数で情報ドットを補正して、正しい情報ドット３のベクトルを求める。

ドットパターン１に格子ドット４を配置してあると、このドットパターン１をカメラで取り込んだ画像データは、カメラが原因する歪みを補正するので、歪み率の高いレンズを付けた普及型のカメラでドットパターン１の画像データを取り込むときにも正確に認識することができる。また、ドットパターン１の面に対してカメラを傾けて読み取っても、そのドットパターン１を正確に認識することができる。

キードット２は、図1２に示すように、矩形状に配置した格子ドット４の略中心位置にある１個の格子ドット４を一定方向にずらして配置したドットである。このキードット２は、情報ドット３を表す１ブロック分のドットパターン１の代表点である。たとえば、ドットパターン１のブロックの中心の格子ドット４を上方に０．１ｍｍずらしたものである。情報ドット３がＸ,Ｙ座標値を表す場合に、キードット２を下方に０．１ｍｍずらした位置が座標点となる。ただし、この数値はこれに限定されずに、ドットパターン１のブロックの大小に応じて可変し得るものである。

情報ドット３は種々の情報を認識させるドットである。この情報ドット３は、キードット２を代表点にして、その周辺に配置すると共に、４点の格子ドット４で囲まれた中心を仮想点にして、これを始点としてベクトルにより表現した終点に配置したものである。たとえば、この情報ドット３は、格子ドット４に囲まれ、図１３に示すように、その仮想点から０．１ｍｍ離れたドットは、ベクトルで表現される方向と長さを有するために、時計方向に４５度ずつ回転させて８方向に配置し、３ビットを表現する。したがって、１ブロックのドットパターン１で３ビット×１６個＝４８ビットを表現することができる。

なお、図示例では８方向に配置して３ビットを表現しているが、これに限定されずに、１６方向に配置して４ビットを表現することも可能であり、種々変更できることはもちろんである。

キードット２、情報ドット３または格子ドット４のドットの径は、見栄えと、紙質に対する印刷の精度、カメラの解像度および最適なデジタル化を考慮して、０．０５ｍｍ程度が望ましい。

また、撮像面積に対する必要な情報量と、各種ドット２，３，４の誤認を考慮して格子ドット４の間隔は縦・横０．５ｍｍ前後が望ましい。格子ドット４および情報ドット３との誤認を考慮して、キードット２のずれは格子間隔の２０％前後が望ましい。

この情報ドット３と、４点の格子ドット４で囲まれた仮想点との間隔は、隣接する仮想点間の距離の１５〜３０％程度の間隔であることが望ましい。情報ドット３と仮想点間の距離がこの間隔より遠いと、ドット同士が大きな塊りと視認されやすく、ドットパターン１として見苦しくなるからである。逆に、情報ドット３と仮想点間の距離がこの間隔より近いと、隣接するいずれの仮想点を中心にしてベクトル方向性を持たせた情報ドット３であるかの認定が困難になるためである。

たとえば、情報ドット３は、図１４（ａ）に示すように、キードット２を中心に時計回りでＩ_１からＩ₁₆を配置する格子間隔は０．５ｍｍであり、２ｍｍ×２ｍｍで３ビット×１６＝４８ビットを表現する。

なお、ブロック内に、個々に独立した情報内容を有し、かつ他の情報内容に影響されないサブブロックをさらには設けることができる。図１４（ｂ）はこれを図示したものであり、４つの情報ドットで構成されるサブブロック[Ｉ_１,Ｉ₂,Ｉ₃,Ｉ₄]、[Ｉ₅,Ｉ₆,Ｉ₇,Ｉ₈]、[Ｉ₉,Ｉ₁₀,Ｉ₁₁,Ｉ₁₂]、[Ｉ₁₃,Ｉ₁₄,Ｉ₁₅,Ｉ₁₆]は各々独立したデータ（３ビット×４＝１２ビット）が情報ドットに展開されているようになっている。このようにサブブロックを設けることより、エラーチェックをサブブロック単位で容易に行うことができる。

情報ドット３のベクトル方向（回転方向）は、３０度〜９０度毎に均等に定めるのが望ましい。

図１５は情報ドットおよびそこに定義されたデータのビット表示の例であり、他の形態を示すものである。

また、情報ドット３について格子ドット４で囲まれた仮想点から長・短の２種類を使用し、ベクトル方向を８方向とすると、４ビットを表現することができる。このとき、長い方が隣接する仮想点間の距離の２５〜３０％程度、短い方は１５〜２０％程度が望ましい。ただし、長・短の情報ドット３の中心間隔は、これらのドットの径より長くなることが望ましい。

４点の格子ドット４で囲まれた情報ドット３は、見栄えを考慮し、１ドットが望ましい。しかし、見栄えを無視し、情報量を多くしたい場合は、１ベクトル毎に、１ビットを割り当て情報ドット３を複数のドットで表現することにより、多量の情報を有することができる。たとえば、同心円８方向のベクトルでは、４点の格子ドット４に囲まれた情報ドット３で２^８の情報を表現でき、１ブロックの情報ドット１６個で２¹²⁸となる。

図１６は情報ドットおよびそこに定義されたデータのビット表示の例であり、（ａ）はドットを２個、（ｂ）はドットを４個および（ｃ）はドットを５個配置したものを示すものである。

図１７はドットパターンの変形例を示すものであり、（ａ）は情報ドット６個配置型、（ｂ）は情報ドット９個配置型、（ｃ）は情報ドット１２個配置型、（ｄ）は情報ドット３６個配置型の概略図である。

図１２と図１４に示すドットパターン１は、１ブロックに１６（４×４）の情報ドット３を配置した例を示している。しかし、この情報ドット３は１ブロックに１６個配置することに限定されずに、種々変更することができる。たとえば、必要とする情報量の大小またはカメラの解像度に応じて、情報ドット３を１ブロックに６個（２×３）配置したもの（ａ）、情報ドット３を１ブロックに９個（３×３）配置したもの（ｂ）、情報ドット３を１ブロックに１２個（３×４）配置したもの（ｃ）、または情報ドット３を１ブロックに３６個（６×６）配置したもの（ｄ）がある。

このようなドットパターンは、写真１１６（図４参照）や、絵本、カード等の表面に印刷されている。また、図６で説明した指示ボード６００（ペーパーコントローラ）の各シンボル部分にも設けられている。

次に、本実施形態のボイスレコーダ１０１を用いた操作手順について説明する。

（基本機能）
ドットパターンが絵柄と重畳印刷された絵本と、録音済みメモリカード１０６とがセットで販売されており、これを購入したユーザは、メモリカード１０６をボイスレコーダ１０１に装着する。そして、図４に示すように、スキャナ１１３のコネクタ１１５をコネクタ端子１１０に装着する。そして、絵本のたとえば犬の絵に重畳印刷されているドットパターンをスキャナ１１３が読み取ると、スキャナの中央処理装置（ＭＰＵ）は当該ドットパターンを解析ソフトによって解析し、ドットコード（コード情報）に変換する。このドットコードはボイスレコーダ１０１の中央処理装置（ＭＰＵ）に送信される。ボイスレコーダ１０１では、当該ドットコードに基づいてメモリカード１０６のリンクテーブル（図１０参照）を検索する。そして、このドットコードに対応する音声ファイルトラック７０２を索出して、メモリカード１０６内の該当する音声ファイルトラック７０２（たとえば、犬の鳴き声）を読み出す。この音声ファイルトラック７０２の音声情報は、圧縮回路で逆圧縮（展開）され、Ａ／Ｄコンバータでアナログ音声情報に変換されて、アンプ（ＡＭＰ）を介してスピーカから出力される。このようにして、絵本の犬の絵の部分をスキャナ１１３で読み取ると、ボイスレコーダ１０１のスピーカ１０２から犬の鳴き声が再生される。

（再生手順）
次に、あらかじめメモリカード１０６内に、ドットパターンに音声情報が関係付けられている場合の種々の再生方法について詳しく説明する。

まず、スキャナでドットパターンが印刷された絵本、写真、シール等をクリック（撮像）すると、前記のようにドットパターンに対応したドットコードが解析されて、リンクテーブルが参照されて、当該ドットコードに対応する音声情報が再生される。このとき、中央処理装置（ＭＰＵ）は、音声情報の再生とともに、録音・再生表示部のＬＥＤを点灯させる。

次に、音声再生中に、スキャナ１１３で指示ボード６００の早送り６０５のシンボルがクリック（撮像）されると、早送り再生（ｘ倍速再生：ｘは任意の整数）が実行される。

ここで再生速度を元に戻したい場合（通常音声再生）には、指示ボード６００の早送り６０５のシンボルを再度クリックするか、再生６０４のシンボルをクリックする。

また、音声再生中に、スキャナ１１３で指示ボード６００の一時停止６１９のシンボルがクリックされると、再生が一時停止（ポーズ状態）となる。再度一時停止６１９のシンボルがクリックされることによって再生が再開される。

さらには、音声再生中に、送り・再生６０８がクリックされると、中央処理装置（ＭＰＵ）は、メモリカード１０６内のリンクテーブル（図１０参照）を検索し、現在再生している音声ファイルトラック７０２の次のラベル（登録順）に登録されている音声ファイルトラック７０２の再生を開始する。また、戻り・再生６０７がクリックされると、中央処理装置（ＭＰＵ）は、リンクテーブル（図１０参照）を検索し、現在再生している音声ファイルトラック７０２の前のラベル（登録順）に登録されている音声ファイルトラック７０２の再生を開始する。

また、音声再生中に、後尾・再生６１０がクリックされると、中央処理装置（ＭＰＵ）は、メモリカード１０６内のリンクテーブル（図１０参照）を検索し、音声ファイルトラック７０２の最後のトラック（図１０では音声ファイルトラックＮｏ．４）の再生を開始する。また、先頭・再生６０９がクリックされると、音声ファイルトラック７０２の先頭のトラック（図１０では音声ファイルトラックＮｏ．３）の再生を開始する。

（録音手順）
ボイスレコーダ１０１に新たに音声を録音する場合、スキャナ１１３で指示ボード６００の録音６０１のシンボルをクリックするか、本体の録音・再生ボタン１０３を押すことによって録音が開始される。マイク１０７に向かって発声された音声はＡ／Ｄコンバータによりデジタル変換され、圧縮回路によって圧縮される。このような圧縮データ形式で音声情報は順次メモリカード１０６に登録される。

この録音中に、スキャナ１１３で指示ボード６００の録音６０１のシンボルまたは停止６０６のシンボルをクリックするか、本体の録音・停止ボタン１０３を押すことによって録音を停止する。このときまでに録音された音声情報がメモリカード１０６に記録される。

これらの音声を消去する場合には、スピーカ１０２から音声が再生されている状態、または音声の再生終了後５秒以内に指示ボード６００の音声消去６１５のシンボルがスキャナ１１３でクリックされるとスピーカ１０２から「ピー」音が出力されて録音・再生表示部１０６のＬＥＤが５秒間点滅する。この５秒間の間に、指示ボード６００の実行６１７のシンボルがクリックされると再生されている音声が消去される。このとき中央処理装置（ＭＰＵ）は当該音声ファイルトラック７０２のデータをメモリカード１０６から削除する処理を行う。

また、前記５秒間の間に中止６１８のシンボルがスキャナ１１３でクリックされるか、５秒間の間いずれのシンボルもクリックされない場合には、この音声消去モードを終了する。

また、メモリカード１０６に録音されている全ての音声情報を消去したい場合には、上記音声消去６１５の代わりに全音声消去６１６のシンボルをスキャナ１１３でクリックすればよい。

（リンク作業）
本実施形態では、ユーザが自分自身で録音した音声情報またはメモリカード１０６に記憶された既存の音声情報をどのドットパターンと関係付けるかを自由に設定することができる。これをリンク設定という。

リンク設定は図１０に示すリンクテーブル（メモリカード１０６内に設定）によって管理されている。

リンクを作成する際には、まず指示ボード６００の録音６０１のシンボルをスキャナ１１３でクリックするか、録音・停止ボタン１０３を押して音声の録音を開始する。このとき録音再生表示部１０４のＬＥＤが点滅状態となる。

次に、録音状態を維持したまま、絵本、写真、シール、カード等に印刷されたドットパターンがスキャナ１１３でクリック（撮像）されると、中央処理装置（ＭＰＵ）は録音状態を停止するとともに、録音された音声ファイルトラック番号に対して撮像したドットパターンのドットコードを関連付けて登録する。このとき、スピーカ１０２から「ピッ」音を出力させてリンクの生成をユーザに通知する。

また、ドットパターンをスキャナ１１３でクリックしたときに、既にリンクテーブルに当該ドットパターンに対応するドットコードに他の音声ファイルトラック７０２が関係付けられて登録されている場合には、中央処理装置（ＭＰＵ）は、スピーカ１０２から「ブッ」音を出力させてリンク作成ができないことをユーザに通知する。

次に、既にメモリカード１０６に音声情報が登録されている場合に、ドットパターンとのリンクを生成する手順について説明する。

まず、指示ボード６００のリンク開始６１１のシンボルをスキャナ１１３でクリックすると、ボイスレコーダ１０１の中央処理装置（ＭＰＵ）は、リンク表示部１０５のＬＥＤを点滅させてリンク開始をユーザに通知する。

次に、指示ボード６００の再生６０４のシンボルをスキャナ１１３でクリックしてリンクさせる音声ファイルトラック７０２の音声を再生させる。このとき、ユーザは指示ボード６００の送り・再生６０８、戻り・再生６０７、先頭・再生６０９、後尾・再生６１０をクリックすることによって再生する音声ファイルトラック７０２を順次切り替えて所望の音声ファイルトラック７０２を探し出す。

このようにして所望の音声ファイルトラック７０２を再生している間、または音声再生終了後５秒以内に絵本、写真、シール、カード等に印刷されたドットパターンをスキャナ１１３でクリックすると、当該音声ファイルトラック７０２とドットパターンのドットコードとが関係付けられてリンクテーブルに登録される。なおここで、既にリンクテーブルに当該ドットパターンに対応するドットコードに他の音声ファイルトラック７０２が関係付けられて登録されている場合には、中央処理装置（ＭＰＵ）は、スピーカ１０２から「ブッ」音を出力させてリンク作成ができないことをユーザに通知する。

このように、１つのドットパターン（ドットコード）は１つの音声ファイルトラックにしかリンクさせることはできないが、逆に１つの音声ファイルトラック７０２は複数のドットパターン（ドットコード）とリンクさせることができる。したがって、全く異なるドットパターンであってもクリックすることによって同一の音声情報を再生させることが可能となる。

以上のリンクモードを終了する場合には、指示ボード６００のリンク終了６１２のシンボルをスキャナ１１３でクリックする。これによって、ボイスレコーダ１０１は、電源スイッチ１０８をオン状態にしたときの初期状態に戻る。

次に、以上のように設定されたリンクテーブルのリンクを消去する手順について説明する。

いずれかのリンクを消去したい場合には、まずリンクテーブルに既にリンクが生成されているドットパターンをスキャナ１１３でクリックして、中央処理装置（ＭＰＵ）は、関係付けられた音声ファイルトラックを読み出して再生する。

次に、当該音声の再生中、または再生終了後５秒間の間にリンク解除６１３のシンボルをスキャナ１１３でクリックする。次に、中央処理装置（ＭＰＵ）はスピーカ１０２から「ピー」音を５秒間出力するとともに、リンク表示部１０５のＬＥＤを点滅させる。この間に指示ボード６００の実行６１７のシンボルをスキャナ１１３でクリックすると、当該ドットパターン（ドットコード）と音声ファイルトラックとのリンクが解除される。このとき、リンクが解除されるだけで関係付けられていた音声ファイルトラックは消去されない。

また、前記５秒間の間に中止６１８のシンボルがスキャナ１１３でクリックされるか、５秒間の間いずれのシンボルもクリックされない場合には、このモードを終了する。

次に、リンクテーブル内の全てのリンクを解除する場合には、前記リンク解除６１３のシンボルの代わりに、全リンク解除６１４のシンボルをスキャナ１１３でクリックすればよい。その手順は前記の個々のリンクの解除と同様であるので説明は省略する。

（その他の機能）
ボイスレコーダ１０１は、以上の機能の他に以下の付加機能を有している。

５分間いずれのスイッチやボタンも操作されず、かつスキャナ１１３でいずれのドットパターンまたはシンボルもクリックされない場合には電源オフ状態となる。これは中央処理装置（ＭＰＵ）がクロックを用いて５分間の計数を行い、中央処理装置（ＭＰＵ）とＤＣ−ＤＣコンバータとの間にあるスイッチを開放する制御を行うことによって実現される。

ボイスレコーダ１０１は録音する音声に対して音声品質（ビットレート）を可変にすることができる。音声品質の「低」６０２ｃのシンボルをスキャナ１１３でクリックした場合、録音されるビットレートが低く設定されて長時間録音が可能となる。一方、「高」６０２ａのシンボルがクリックされた場合にはビットレートが高く設定され高品位な録音が可能となる。「中」６０２ｂのシンボルはその中間のビットレートに設定可能となっている。

中央処理装置（ＭＰＵ）はメモリカード１０６の空き容量を監視しており、空き容量が０．２Ｍｂｙｔｅ未満になると録音・再生表示部１０４のＬＥＤを点滅させて録音可能時間が少ないことをユーザに通知するようになっている。このとき、前述のように、指示ボード６００で音声ナビゲーションのシンボルをスキャナ１１３でクリックした場合には、ユーザへの通知を音声情報、たとえば「メモリが残り少なくなっています」というような音声情報をスピーカ１０２から出力させてもよい。

なお、以上の実施形態では、写真、絵本、カード、シール等に形成されたドットパターンとしてコード情報（ドットコード）の場合のみを説明したが、これに限らず座標情報、コード情報と座標情報の組合せ、さらにはキードット２による角度情報の組合せをスキャナで読み取るようにしてもよい。

角度情報を組合せた場合、たとえばスキャナ１１３に対して読み取るドットパターンが印刷されたカードの向き（角度）によって異なる音声情報を出力させることも可能となる。

図１８、図１９は、本発明の他の実施形態を示すものである。

図１８に示すボイスレコーダ１０１ａは、図１に示したボイスレコーダ１０１とほぼ同様のものであるが、メモリカードとしてＳＤカード１０６Ａを用いたものである。その他の機能は図１で説明したものと同じであるので説明は省略する。なお、図１８ではＳＤカードを例示したが、メモリ媒体であればｍｉｎｉＳＤ、メモリースティック、メモリースティックＤｕｏ等いかなる媒体であってもよい。

図１９は、スキャナを一体化したボイスレコーダ１９０１を示している。

このボイスレコーダ１９０１の装置本体の先端（図で上端）には、センサユニット１９０３が内蔵されており、図示は省略するが、赤外線ＬＥＤ等の赤外線照射手段やドットパターンからの反射光を撮影するＣＣＤやＣＭＯＳからなる撮像手段が設けられている。すなわち、図４および図５で説明したスキャナ１１３がボイスレコーダ１９０１の本体に一体的に内蔵された構造となっている。

本体の底部近傍の側面にはスピーカ１９０２が設けられており、マイク１９０８から入力した音声や、ＳＤカード１０６Ａ（図１９では図示せず）や内蔵されたメモリにあらかじめ登録された音声、音楽等が出力されるようになっている。

本ボイスレコーダ１９０３の正面（操作面、図１９（ｂ）に示す面）には、センサユニット側からスキャンボタン１９０４、録音ボタン１９０５、ボリューム１９０６、ＬＥＤ１９０７およびマイク１９０８がそれぞれ配置されている。

＜回転パラメータを有する実施形態＞
図２０から図２７は、本発明の他の実施形態を示すものである。

これらの実施形態は、ドットパターン（フィギアの向き）の角度を認識することにより、ドットコードおよびその角度に対応した音声を出力することのできる台座（音声情報記録装置）に関するものである。

本実施形態は、図２０に示す如く、台座２００１と、それに接続されたスキャナ１１３とそのスキャナ１１３で読み取るためのペーパーコントローラ２００６と、台座２００１の上面のステージ２００２に載置されるフィギア２００３とで構成される。

また、台座２００１の周面の正面側には、マイク２００４と液晶表示部２００５とが設けられている。

フィギア２００３の底面には図１２〜１７で説明したドットパターンが印刷されたシールが貼付されている。

台座２００１の内部には、図示しない赤外線照射手段（たとえば赤外線照射ＬＥＤ）と、撮像手段（ＣＣＤ、ＣＭＯＳ等）が設けられており、台座２００１のステージ２００２に設けられた読取孔を介してフィギア２００３底面のドットパターンが撮像可能となっている。

本実施形態に用いる指示ボード（ペーパーコントローラ２００６）は、図２１に示すものである。

このペーパーコントローラ２００６には、録音を指定する録音領域、リンク領域、回転パラメータ領域、再生、早送り、戻り・再生、送り・再生、先頭・再生、後尾・再生等の再生制御を行う再生制御領域、リンクの生成や解除ならびに音声の消去を制御するリンク制御領域が設けられ、それぞれにドットパターンが印刷されている。

すなわち、ペーパーコントローラ２００６のこれらの領域をスキャナ１１３で撮像することによって、音声の入力、再生、フィギアとの関係付け（リンク）が制御できるようになっている。

さらには、ペーパーコントローラ２００６には、回転パラメータのＯＮ／ＯＦＦ領域が設けられている。

この回転パラメータＯＮ／ＯＦＦ領域は、フィギアの底面に設けられたドットパターンの向きのパラメータをＯＮ状態（向きのパラメータも付加して制御を行うモード）にするかＯＦＦ状態（向きのパラメータを無視して制御を行うモード）にするかを指示するための領域であり、ＯＮの領域をスキャナ１１３で撮像したときには、ステージ２００２上でのフィギア２００３の向き、たとえば正面を向かせて載置したとき（図２０（ａ））、横に向かせて載置したとき（図２０（ｂ））、正面に背中を向けて載置したとき（図２０（ｃ））のそれぞれで異なる音声を出力することが可能となる。

図２５は、ドットパターンの向きを検出するための技術を説明した図である。

図１２で説明したように、ドットパターン１は、キードット２を中心に情報ドット３を配置した構成となっている。したがって、ドットパターン１から情報ドットの意味する値を抽出するためのアルゴリズム（中央処理装置によって実行される解析プログラム）では、スキャナ１１３やセンサユニット１９０３で撮像されたドットパターン１の画像データをビデオメモリに展開し、このビデオメモリの画素を解析してまずキードット２を探す。したがって、キードット２が索出されるとドットパターン１の向き（撮像基準線２５０１（ここではＹ正方向）に対するドットパターン１の傾きの角度θ）が計算できる。

本実施形態はこの向きの角度をドットパターンが意味するコード値にパラメータとして付加したものであり、同一のドットパターンであっても角度によって出力させる音声データ（ボイスアドレス）を変化させることができる。

なお、ここではＹ正方向に対するドットパターンの向きとの角度で説明したが、Ｘ正方向を基準にしてもよいことはいうまでもない。

図２６はその角度をパラメータとして付加した場合の音声決定テーブルである。これを具体的に図２０で説明したフィギア２００３の向きと対応付けて説明すると、フィギア２００３が正面を向いて載置されているとき（図２０（ａ））には、角度は−４６〜＋４５（０±４５）度であるので、音声決定テーブルにより角度Ｎｏ．００１が選択されボイスアドレスａに登録された「おはよう」という音声が台座２００１のスピーカ（図示省略）から発声される。

また、図２０（ｂ）に示すようにフィギア２００３を左方向に向けて載置した場合には、角度は＋４６〜＋１３５（９０±４５）度であるので、音声決定テーブルにより角度Ｎｏ．００２が選択され、ボイスアドレスｂに登録された「こんにちは」という音声が台座２００１のスピーカ（図示省略）から発声される。

さらには、図２０（ｃ）に示すようにフィギア２００３が正面からみて後ろ向きに載置された場合、角度は＋１３６〜＋２２５（１８０±４５）度であるので、音声決定テーブルにより角度Ｎｏ．００３が選択され、ボイスアドレスｃに登録された「こんばんは」という音声が台座２００１のスピーカ（図示省略）から発声される。

＜録音およびリンク処理＞
次に、図２２〜２４を用いて、本実施形態のボイスレコーダの操作手順について説明する。

まず、スキャナの中央処理装置（ＭＰＵ）は、プログラムに基づいて、ユーザにより、回転パラメータＯＮ８０４のシンボルがクリックされたか否かを判定する（２２０１）。ここで、クリックされたと判断した場合にはステップ２２０２に処理を移し、クリックされたと判断しなかった場合には、本処理を終了する。

ステップ２２０２では、回転パラメータをＯＮにする。スキャナの中央処理装置（ＭＰＵ）は、ステップ２２０１で読み取られたドットパターンを解析ソフトによって解析し、ドットコード（コード情報）に変換する。このドットコードが台座２００１の中央処理装置（ＭＰＵ）に送信される。そして、台座２００１の中央処理装置（ＭＰＵ）は、回転パラメータをＯＮにする。

次に、録音８０１がクリックされたか否かを判断する（２２０３）。クリックされたと判断した場合にはステップ２２０４に処理を移し、クリックされたと判断しなかった場合には、本処理を終了する。

ステップ２２０４では、録音モードをＯＮにする。

次に、録音処理を行う（２２０５）。台座２００１の中央処理装置（ＭＰＵ）は、マイク２００４に向かって発声された音声をＡ／Ｄコンバータによりデジタル変換し、圧縮回路によって圧縮する。このような圧縮データ形式で音声情報を順次メモリに登録する。

次に、リンク開始８０２のシンボルがクリックされたか否かを判断する（ステップ２２０６）。クリックされたと判断した場合には録音を停止し（２３０１）、クリックされたと判断しなかった場合にはステップ２２０７に処理を移す。

ステップ２２０７では、音声の録音が完了したか否かを判断する（２２０７）。録音８０１のシンボルまたは停止８０８のシンボルがクリックされたと判断した場合には、録音が完了したと判断する。録音が完了したと判断した場合には本処理を終了し、録音が完了したと判断しなかった場合には、再度ステップ２２０７の処理を行う。

ステップ２３０１では、録音状態を停止する。そして、リンクモードをＯＮにする（２３０２）。

次に、リンク終了８０３のシンボルがクリックされたか否かを判断する（２３０３）。クリックされたと判断した場合には本処理を終了し、クリックされたと判断しなかった場合にはステップ２３０４に処理を移す。

ステップ２３０４では、フィギア２００３が台座２００１のステージ２００２に載置されているか否かを判断する。フィギア２００３が載置されているか否かの判断は、台座のセンサユニットがフィギア２００３底面のドットパターンを読取可能な状態となっているか否かで判断する。載置されている場合には、センサが読み取ったドットパターンを中央処理装置（ＭＰＵ）に送信する。

ステップ２３０５では、コード情報の抽出および角度の検出を行う。中央処理装置（ＭＰＵ）は、画像処理アルゴリズムにより、読み取った画像情報からコード情報を抽出する。そして、キードットの位置から当該ドットパターンの角度を計算する。

次に、ドットコードと角度が既にリンクされているか否かを判断する（２３０６）。台座の中央処理装置（ＭＰＵ）は、既にリンクテーブルに、当該ドットコードかつ当該角度に他の音声ファイルトラックが関係付けられて登録されているか否かを判断する。既にリンクされている場合にはステップ２３０３からの処理を再度行い、リンクされていると判断しなかった場合には、ステップ２３０７に処理を移す。

ステップ２３０７では、リンク処理を行う。中央処理装置（ＭＰＵ）は、録音された音声ファイルトラック番号に対して、コード情報および角度を関連付けて登録する。

次に、中央処理装置（ＭＰＵ）は、タイマの値を読み取り、リンク開始８０２のシンボルがクリックされてから５秒経過したか否かを判断する。５秒未満である場合にはステップ２３０３からの処理を再度行い、５秒経過した場合には、本処理を終了する。

なお、本処理においては、録音とリンクを連続して行ったが、既にメモリに登録されている音声情報とのリンクを生成することも可能である。

＜リンク済音声再生処理＞
次に、図２２、２３の処理によりリンクした音声を再生する手順について、図２４を用いて説明する。

まず、スキャナの中央処理装置（ＭＰＵ）は、ユーザにより、回転パラメータＯＮ８０４のシンボルがクリックされたか否かを判断する。クリックされたと判断した場合には回転パラメータをＯＮとし（２４０２）、クリックされたと判断しなかった場合には、本処理を終了する。

次に、フィギアが載置されたか否かを判断する（２４０３）。フィギアが載置されていると判断した場合には、センサが読み取ったドットパターンを中央処理装置（ＭＰＵ）に送信する。そして、読み取った画像情報からコード情報を抽出し（２４０４）、キードットの位置から当該ドットパターンの角度を計算する（２４０５）。

次に、音声再生処理を行う（２４０６）。中央処理装置（ＭＰＵ）は、メモリ内のリンクテーブルを検索し、コード情報と角度の両方に対応する音声ファイルトラックを索出して、メモリ内の該当する音声ファイルトラックを読み出す。この音声ファイルトラック７０２の音声情報は、圧縮回路で逆圧縮（展開）され、Ａ／Ｄコンバータでアナログ音声情報に変換されて、アンプ（ＡＭＰ）を介してスピーカから出力される。

＜角度検出方法＞
前述のように、図２５は、ドットパターン１の角度を説明したものであり、前述のキードット２の位置を検出することによって、平面方向でのドットパターン１の傾きの角度(向き)を検出することができるようになっている。図２６の音声決定テーブルは、キャラクタコード、角度、角度Ｎｏ．、ボイスアドレスから構成されている。センサによりドットパターン１が読み取られると、このドットパターン１に記録されたキャラクタコードがまず決定される。次に、キードット２を基準としてドットパターン１の角度が計算されると、この角度より角度Ｎｏ．が決定される。そして、キャラクタコードおよび角度Ｎｏ．により、対応するボイスアドレスが決定される。ボイスアドレスと音声とは対応付けられており、たとえば、ボイスアドレスがａの場合は「こんにちは」、ｂの場合は「さようなら」との音声が出力される。

なお、図２６では、９０度毎、すなわち４方向で角度Ｎｏ．を決定している。この場合、角度情報は２ｂｉｔで表現される。しかし、本発明はこれに限らず、任意の方向数で角度Ｎｏ．を決定してよい。たとえば、８方向の場合は４５度毎に角度Ｎｏ．を設け、角度情報は３ｂｉｔで表現される。１６方向の場合は２２．５度毎に角度Ｎｏ．を設け、角度情報は４ｂｉｔで表現される。

図２７は、センサの傾きと角度との関係を説明した図である。

（ａ）に示す如く、ドットパターンの向きと、センサの向きとが成す角度をαとする。また、（ｂ）に示す如く、センサの傾きとセンサの向きとが成す角度をβとする。この場合に、ドットの向きとセンサの傾きとが成す角度γが、フィギアを傾けた角度となる。すなわち、角度γは、γ＝α＋βとなる。

＜角度パラメータがＯＦＦの場合＞
次に、角度パラメータがＯＦＦの場合に、ドットパターンにリンクされた音声を再生する手順について説明する。

ユーザにより、角度パラメータＯＦＦ８０５のシンボルがクリックされると、角度パラメータがＯＦＦとなる。次に、台座２００１のセンサが、ステージ上に載置されたフィギア２００３底面のドットパターンを読み取ると、中央処理装置（ＭＰＵ）は当該ドットパターンを解析ソフトによって解析し、ドットコード（コード情報）に変換する。そして、当該ドットコードに基づいてメモリのリンクテーブルを検索し、このドットコードに対応する音声ファイルトラックを読み出す。ここで、当該ドットコードに、異なる角度で複数の音声がリンクされている場合は、最後に録音された音声が読み出される。

＜パーソナルコンピュータに接続して操作＞
上述した実施形態では、指示ボード８００を用いて操作を行ったが、本発明では、これに限られない。

たとえば、図２８に示す如く、台座２００１を、コネクタを用いてパーソナルコンピュータ２８０１に接続する形態としてもよい。この場合ユーザは、キーボードおよびマウス（図示せず）を用いて録音、再生、リンク等の操作を行う。

＜台座にボタンを設けて操作＞
また、図２９に示すように、この台座２００１自体をパーソナルコンピュータ２８０１のＵＳＢ端子に接続できるようにし、パーソナルコンピュータ側で音声の制御やアラーム時間の設定等を行うようにしてもよい。この場合、台座２００１に設けた液晶表示部２００５は不要としてもよい。

また、図３０に示すように、台座２００１上にカードを載置し、カードに印刷されたドットパターンを読み取ることにより上記操作を行うようにしてもよい。

＜音声認識機能付ボイスレコーダ＞
図３１は、スキャナを一体化したボイスレコーダの、他の形態を示したものである。

このボイスレコーダ３１０１は、図１９で示した一体型ボイスレコーダの機能に加え、音声認識のための入力機能と液晶表示画面３１１０を有している。

このボイスレコーダ３１０１は、録音ボタン３１０５が音声入力ボタンを兼用しており、音声入力機器として用いる場合には、当該録音ボタン３１０５を押しながらマイク３１０８に向かって発声することによって、この音声情報がボイスレコーダ３１０１内に入力される。

そして、この発声情報は、ボイスレコーダ内の図示しないＡ／Ｄコンバータによってデジタル変換された後に、音声認識回路によって解析されて、発声情報に対応するテキスト情報に変換される。

たとえば、あらかじめ出張等のスケジュール情報が登録されている場合には、ユーザは録音ボタン３１０５を押しながら「スケジュール」または「予定」と発声すると、これが音声認識回路によって解析されて、それぞれ「スケジュール」または「予定」というテキストデータに変換され、これらのテキストデータを検索キーとしてメモリに構築されたデータベースが検索されて、「○○出張」というテキスト情報が抽出され、これが音声情報に変換されてスピーカ３１０２より「○○出張」と発声される。

なお、データベースには「○○出張」という音声情報自体がメモリに記憶されており、これにテキストで日付情報（たとえば「４月２８日」）が関連付けられていてもよい。

この場合、ボイスレコーダ３１０１に対して音声で「４月２８日」と発声するだけで、この音声がテキストデータに変換されてデータベースを検索し、このテキストデータに対応する「○○出張」の音声情報をスピーカ３１０２から出力させてもよい。

なお、上記の例では、入力された音声情報に基づいてボイスレコーダ内のデータベースを検索して索出したデータをスピーカ３１０２から発声させた場合で説明したが、当該ボイスレコーダを音声認識のための入力機器としてのみ使用してもよいし、録音機能を省略してスキャナ機能を備えた音声認識用端末として使ってもよい。また、パーソナルコンピュータには複数のボイスレコーダを接続して互いにボイスメールのやりとりをしてもよい。

たとえば、ユーザが録音ボタン３１０５を押しながら発声した音声情報が入力されると、当該ボイスレコーダの中央処理装置（ＭＰＵ）は、この音声情報を図示しない通信インターフェースを通じてアンテナ３１０９からパーソナルコンピュータに送信し、パーソナルコンピュータ内の音声認識プログラムによって当該音声情報を解析し、これをテキストデータに変換してパーソナルコンピュータ内に構築されたデータベースまたはネットワーク上のデータベースを検索し、検索結果をパーソナルコンピュータのディスプレイ装置に出力してもよい。

また、検索結果データを通信機能を用いてボイスレコーダに返信させてボイスレコーダのスピーカ３１０２から音声情報として発声させてもよい。

図３２は、この音声認識精度を高めるため、および入力した音声情報の分類のためのペーパーコントローラ３２００の構成を示したものである。

同図に示すように、このペーパーコントローラ３２００には、「氏名入力」（３２０８）、「郵便番号入力」（３２０９）、「住所入力」（３２１０）、「電話番号入力」（３２１１）、「メールアドレス入力」（３２１４）等の入力音声カテゴリがそれぞれ領域として印刷されており、これらの領域にはそれぞれ異なるコードがドットパターンとして印刷されている。また同じく入力機能として、「上へ」、「決定」、「下へ」の領域が印刷されており、ディスプレイ画面上に表示された候補またはメニューを選択できるようになっている。

すなわち、本ボイスレコーダ３１０１の録音ボタン３１０５を押して音声入力を行う際に、前もってカテゴリコード（ドットパターン）をセンサユニット３１０３でスキャンすることによって、音声認識精度を高めるとともに、入力した音声情報を分類するものである。

たとえば、「上野」と発声した場合、それが地名の上野なのか人名の上野なのかを把握することは難しいが、「住所入力」がスキャンされた後に「上野」という発声が音声情報として入力された場合、住所入力のカテゴリコードとともに「上野」の音声情報がパーソナルコンピュータに送信される。

パーソナルコンピュータの中央処理装置（ＭＰＵ）は、住所入力のカテゴリコードが付加されていることによって、当該「上野」の音声情報が「住所」のカテゴリであることが容易に判別できるため、ただちに上野近辺の地図情報をパーソナルコンピュータのディスプレイ画面に表示することができる。

なお、ボイスレコーダの通信先はこのようなパーソナルコンピュータに限定されず、カーナビゲーション装置、情報家電、制御機器、ロボット等いかなるものであってもよい。つまり、本ボイスレコーダを音声認識機能の入力装置として用いることによって、あらゆる情報機器、情報家電の制御が可能となる。

次に、本実施形態の一例として、図３２に示す指示ボート（ペーパーコントローラ）３２００を用いて音声認識を行う場合について説明する。

指示ボード３２００は、通信販売のカタログから商品を注文する場合等に使用される。通信販売のカタログ（図示せず）には、商品の写真上にドットパターンが重畳印刷されており、ユーザがボイスレコーダ３１０１のセンサユニット３１０３で商品の写真をクリック（センサユニットで当該写真部分のドットパターンを撮像）すると、パーソナルコンピュータ（図示せず）のディスプレイ画面上に、当該ドットパターンの意味するコードに対応した商品説明の画面が表示される。また、カタログの商品番号を印刷した部分にもドットパターンが重畳印刷されており、商品番号の印刷面をクリックすると、パーソナルコンピュータのディスプレイ画面上に注文商品情報が表示され、クリックした商品が注文リストに登録される。次に、確認３２０１をクリックすると、画面上に注文リストが表示される。注文リストに登録された商品を選択する場合には上へ３２０２および下へ３２０３の各シンボルをクリックし、注文数を変更する場合には、注文数を増加３２０４または注文数を減らす３２０５の各シンボルをクリックする。登録した商品の注文リストを取り消す場合には全取消３２０６をクリックし、注文する商品および個数が決定した場合には、ご注文３２０７をクリックする。また、最後に閲覧した商品カタログ画面に戻るには戻る３２１２をクリックし、注文プログラムを終了する場合には、終了３２１３をクリックする。これらの操作を行う場合には、ユーザは、スキャンボタン３１０４を押下しながら、所望の商品写真およびシンボルをクリックする。

ユーザは、注文する商品が決定した後で、氏名、住所等の入力を行う。ユーザが、スキャンボタン３１０４を押下しながら氏名入力３２０８をクリックすると、スキャナ３１０１に内蔵された中央処理装置（ＭＰＵ）で当該ドットパターンを解析し、ドットコード（コード情報）に変換する。このドットコードがコンピュータの中央処理装置（ＭＰＵ）に送信されると、当該ドットコードに基づいて、音声認識モードをＯＮにする。

次にユーザは、録音ボタン３１０５を押下しながら、マイク３１０８に向かって氏名を発声する。すると、中央処理装置（ＭＰＵ）は、マイクに向かって発声された音声をＡ／Ｄコンバータ（図示せず）によりデジタル変換し、圧縮回路によって圧縮および／または変換する。このような圧縮データを、アンテナ３１０９を通してコンピュータに送信する。コンピュータの中央処理装置（ＭＰＵ）は、当該音声データを音声解析ソフトによって解析し、文字情報に変換し、当該文字情報を画面上に表示する。同様の操作により、郵便番号、住所、電話番号も、音声入力機能により入力される。

このような音声入力機能を有することにより、ユーザは、キーボードやスキャナを用いた煩雑な操作を行うことなく、簡易な操作で住所等の情報を入力することが可能となる。

なお、本実施形態においては、前述した如く、スキャンボタン３１０４が押下された状態でドットパターンがクリックされたときのみ、ドットパターンが読み取られる。センサユニット３１０３内には、ＬＥＤ、ＣＭＯＳセンサ等が内蔵されているが、これらは、電力を消費する。さらに、当該ボイスレコーダ３１０１はワイヤレスであるため、通信機能を常に維持しておくためのアイドリング電力が必要なため、電池（充電器も含む）を使用しており、この電力の消費を抑制する必要がある。

そこで、電力の消費を最小限とするために、スキャンボタン３１０４が押下された場合にのみ、センサユニット３１０３に通電が行われ、機能するようにした。

また、音声認識機能においても、録音ボタン３１０５が押下されている間のみ、音声の入力が行われる。常時音声入力が行われる状態であると、マイク３１０８は、ユーザが入力しようとしていない音声も認識してしまい、ユーザの意図しない情報が入力されてしまう可能性がある。ユーザが所望する情報のみを入力することが可能となるように、音声入力ボタン３１０５が押下されている間のみ、音声の入力が行われるようにした。

なお、図３１に示したボイスレコーダ３１０１では、アンテナ３１０９を設けてワイヤレス通信方式でパーソナルコンピュータと通信を行うようにし、これで音声情報とドットパターンを読み取ったコード情報とをパーソナルコンピュータ側に送信するようにしたが、音声情報のみ、またはコード情報のみをパーソナルコンピュータに送信するようにしてもよい。

＜ボイスメールシステム＞
図３３から図３９は、本発明におけるボイスレコーダを用いたボイスメールシステムについて説明するものである。

図３３は、本実施形態におけるネットワーク構成図である。本発明のボイスメールシステムにおいては、パーソナルコンピュータがインターネット等のネットワークを介して他のパーソナルコンピュータと接続されており、データの送受信が可能となっている。そしてこれらのパーソナルコンピュータは、ブルートゥース等の近距離無線通信システムによって、ボイスレコーダとの通信が可能となっている。なお、ボイスレコーダとパーソナルコンピュータとの通信はこのようなブルートゥースに限らず、赤外線通信、無線ＬＡＮ、ＵＳＢケーブルによる有線接続等いかなるものであってもよい。

図３４は、ユーザがボイスメールの登録、送受信等を行うときに用いるペーパーコントローラ３４００について説明した図である。

ペーパーコントローラ３４００の左部には、音声の録音、再生、リンクを行うためのシンボルが印刷され、右側には、ボイスメールの送受信等を行うためのシンボルが印刷されている。

図３５は、ボイスメールデータベースについて説明した図である。

同図は、ボイスレコーダ同士がブルートゥースインターフェース（Ｉ／Ｆ）を介して、ボイスメール制御部と通信を行いながらボイスレコーダで入力されたボイスメール、すなわち音声データを送受信するシステムである。

ボイスメール制御部は、ネットワーク接続可能な汎用のサーバまたはパーソナルコンピュータで構成されており、このサーバまたはパーソナルコンピュータに接続されたハードディスク装置にボイスデータ格納部が設けられている。

ボイスデータ格納部には、受信用インデックステーブルと、送信用インデックステーブルが設けられている。ここで受信用インデックステーブルには、受信ＩＤ（発信元のアドレスまたは受信側ボイスレコーダのＩＤ番号）とデータ格納アドレスとが関係付けられて登録されている。また、送信用インデックステーブルには送信ＩＤ（送信先のアドレスまたは送信先ボイスレコーダのＩＤ番号）とデータ格納アドレスとが関係付けられて登録されている。

すなわち、ボイスメール制御部は、そのボイスメール制御部が管理すべきボイスレコーダのＩＤを受信用インデックステーブルに登録しておき、当該ボイスレコーダに定義付けられた受信ＩＤを宛先とするボイスメールを自身のボイスデータ格納部の受信用インデックステーブルに登録するようになっている。

一方、ボイスメール制御部が管理するボイスレコーダよりボイスメールが入力されたときには、送信用インデックステーブルに送信ＩＤ（送信先のアドレスや送信先のボイスレコーダのＩＤ）を一旦登録しておく。その後、ボイスメール制御部は、定期的に送信用インデックステーブルにアクセスして、ここに未送信のボイスメールがある場合には、ネットワークインターフェース（ＮＷ Ｉ／Ｆ）およびネットワークを介してボイスメールデータを送信ＩＤを管理する図示しないボイスメール制御部に対して送信する。

図３６は、ボイスレコーダとパーソナルコンピュータ（ボイスメール制御部）間でのデータの送受信について説明するフローチャートである。

まず、通信可能エリアにボイスレコーダがあるかどうかを判断する（３６０１）。ボイスレコーダが、パーソナルコンピュータの近傍に配置されると、ブルートゥース等の近距離無線通信システムにより、ボイスレコーダＩＤがパーソナルコンピュータに送信される。このボイスレコーダＩＤが送信された場合には、通信可能エリアにボイスレコーダがあると判断する。

次に、ボイスレコーダＩＤが読み込まれたか否かを判断する（３６０２）。パーソナルコンピュータは、ブルートゥースＩ／Ｆを介してボイスレコーダＩＤを読み込む。

次に、受信インデックステーブルに一致するＩＤがあるか否かを判断する（３６０３）。制御部は、ボイスデータデータベース内の受信インデックステーブルに、読み込んだボイスレコーダＩＤに一致するＩＤが存在するかどうかを判断する。受信ＩＤが存在すると判断した場合には、受信ＩＤに対応するデータ格納アドレスにアクセスし、受信データを読み出す（３６０４）。そして、読み出した受信データを、ブルートゥースＩ／Ｆを介してボイスレコーダに転送し（３６０５）、本処理を終了する。

一方、受信インデックステーブルに一致するＩＤがなかった場合には、ボイスレコーダ内に送信データがあるか否かを判断する（３６０６）。送信データがある場合には、送信データ、すなわち、送信先のアドレスとボイスデータを読み込み、データベース内の送信データインデックステーブルに登録する（３６０７）。登録が完了したら、本処理を終了する。

図３７は、ユーザ同士でボイスメールの送受信を行う具体例を示したものである。同図は図３８にも示したように、ネットワーク上にボイスメール管理サーバが接続されて、ボイスメールを一元的に管理するシステムとなっている。

ユーザＡが、屋外でボイスレコーダのマイクに向かって入力したい音声を発すると、ボイスレコーダのマイクを介してそのメモリ内に、ボイスデータがデジタルデータとして蓄積される。

次にユーザＡは、ボイスメールの送信先を決定する。すなわち、ペーパーコントローラを用いて、送信先のアドレスを入力する。入力したアドレスは、ボイスレコーダのメモリ内に登録される。

ユーザＡは、自宅や職場等の屋内に入り、ボイスメールの送信処理を行うときには、まずユーザは、ボイスメールをパーソナルコンピュータの近傍に配置する。すると、ブルートゥース通信機能により、パーソナルコンピュータは、ボイスレコーダ毎に定義された装置ＩＤ、すなわちボイスレコーダＩＤの読み込みを行う。次に、メモリに蓄積されたボイスデータ及びメールアドレスが、パーソナルコンピュータに送信される。

パーソナルコンピュータ（ボイスメール制御部）は、ボイスデータ及びメールアドレスを受信すると、モニタ（ディスプレイ装置）に「ボイスメール受信中」の表示を行う。そして、ボイスメール管理サーバに対して前記ボイスデータ及びメールアドレスを送信する。

ボイスメール管理サーバは、受信したボイスデータ及びアドレスを、サーバ内のデータベースに登録する。そして、ネットワークＩ／Ｆを介して、ボイスデータを該当するメールアドレス宛てに送信する。ボイスメールを受信したパーソナルコンピュータは、モニタ（ディスプレイ装置）に「ボイスメール取得・送信」の表示を行う。そして、ブルートゥースＩ／Ｆを通じて、ボイスデータをユーザＢのボイスレコーダに送信する。ボイスレコーダは、ボイスデータを受信すると、「ボイスメールが届いています」と、音声および／またはボイスレコーダのモニタで、ユーザＢに通知する。これによりユーザＢは、ユーザＡが送信したメッセージを受信する。

図３８は、パーソナルコンピュータ（ＰＣ）にインストールされた制御プログラム（ボイスメールマネージャ）によって、ボイスメール管理サーバと連動しつつボイスレコーダを使用する場合の例を示したものである。

ユーザはＣＤ−ＲＯＭ、もしくはインターネットの配信サーバにアクセスしてダウンロードしたインストールプログラムをパーソナルコンピュータ（ＰＣ）上で実行し、ＯＳ（オペレーティングシステム）上にボイスメールマネージャを常駐プログラムとして登録する。

次に、ボイスレコーダが、パーソナルコンピュータ（ＰＣ）の近傍に配置されると、ブルートゥース等の近距離無線通信システムにより、パーソナルコンピュータ（ＰＣ）にボイスレコーダＩＤが送信される。パーソナルコンピュータ（ＰＣ）内の中央処理装置（ＣＰＵ）は、ボイスメール管理サーバにおいて、ボイスレコーダＩＤの認証を行う。すなわち、送信されたボイスレコーダＩＤが、当該パーソナルコンピュータ（ＰＣ）を用いてデータの送受信をすることが可能なボイスレコーダのＩＤであるかどうかの認証を行う。

ここで、送受信可能なボイスレコーダである場合には、パーソナルコンピュータ（ＰＣ）内のボイスメール管理テーブル（ドットコード管理テーブル）を参照し、当該ボイスレコーダＩＤ宛てに送信されたボイスメールが格納されているかどうかを確認する。

ボイスメールが格納されている場合には、中央処理装置（ＣＰＵ）は、そのボイスメールを読み出し、ブルートゥース等の近距離無線通信システムにより、ボイスレコーダに送信する。

次に、パーソナルコンピュータから受信した（ダウンロードした）ボイスデータを当該ボイスレコーダで再生することによって、受信者はボイスメールを聞くことができるようになっている。

ボイスメール管理テーブル（ドットコード管理テーブル）にボイスメールが格納されていない場合には、インターネット上のボイスメール管理サーバを参照する。ここで、ボイスメール管理サーバのボイスメール管理テーブルに、当該ボイスレコーダＩＤ宛てに送信されたボイスメールが格納されていれば、そのボイスメールを読み出し、パーソナルコンピュータ（ＰＣ）内にダウンロードする。

ボイスレコーダを管理しているパーソナルコンピュータ毎に必要なボイスメールがパーソナルコンピュータ（ＰＣ）内にダウンロードされたときには、そのボイスメールとともに、そのボイスメールを起動するためのボイスメール管理テーブルの追加データ（ボイスデータ格納アドレス、ドットコード）もダウンロードされ、以後はパーソナルコンピュータ内のボイスメール管理テーブルのみで管理されるようになっている。

したがって、その後は前記と同一のボイスレコーダＩＤが送信された場合、再度インターネット上のボイスメール管理サーバにアクセスすることはなく、新たに追加されたデータを含むボイスメール管理テーブルに基づいて、パーソナルコンピュータのハードディスク装置（ＨＤ）内にダウンロードされたボイスメールを読み出すことになる。

なお、ボイスレコーダを使用した送信処理を行う場合には、パーソナルコンピュータは、自身が管理するボイスレコーダが近傍に配置されたときは、当該ボイスレコーダとのブルートゥース通信を行い、ボイスレコーダのＩＤ（デバイスＩＤ）を読み込むとともに、当該ボイスレコーダのメモリから蓄積されたボイスメールを読み込む。このとき、ボイスレコーダでの録音時にドットパターンをスキャンしたときのドットコードをデバイスＩＤに関係付けて登録しておく。

そして、バッチ処理により、定期的に当該パーソナルコンピュータはボイスメール管理サーバへのアクセスを行い、当該ボイスメール管理テーブルのデータをボイスメール管理サーバに送信する。ボイスメール管理サーバでは、当該データを受信すると、このデータに基づいて自身のボイスメール管理テーブルを更新する。

＜音声認識データ通信＞
図４０は、本発明の実施形態について説明したものである。本発明では、音声認識データ通信を行うことにより、種々の制御を行うことができる。図４０は、その一例として、工場で制御を行う場合の具体例を示したものであり、図４１は、制御の際に用いるペーパーコントローラを示したものである。

このように、本願発明では、ドットパターンで入力を制御したボイスレコーダを用いて、工作ロボットや印刷機の制御が可能になる。

なお、本発明は、本実施形態で説明した態様の他に、たとえば取材用のボイスレコーダの制御技術としても応用可能である。たとえば、インタビューアがインタビューするときのボイスレコーダとして使い、音声認識の制御を図３４で示したペーパーコントローラにより行ってもよい。

また、図３７および図３８で説明したボイスレコーダはネットワークを介してボイスデータを送受信する機能を有しているため、当該ボイスレコーダをたとえばＩＰ電話のマイクとスピーカを備えた端末として使うこともできる。この場合、ボイスレコーダが常にパーソナルコンピュータの近傍に配置されている場合には、通常のＩＰ電話端末として使用可能であるため、音声データを蓄積しておく内蔵メモリは不要となるが、このようなメモリを装備しておくことにより、パーソナルコンピュータとの通信ができない隔離された場所にいるときでもボイスメールを当該ボイスレコーダに登録しておくことができる。この場合、パーソナルコンピュータの近傍にボイスレコーダが配置されたときに、ブルートゥース通信によりパーソナルコンピュータにインストールされたボイスメールマネージャ等により自動的にボイスメールが送信されたり、受信されたりすることも可能になる。

図３９はこのような用途に用いるペーパーコントローラを示しており、パーソナルコンピュータで受信された自分宛のボイスメールを再生したり、ダウンロードすることができる。

また、パーソナルコンピュータに対してボイスメールを作成・登録したり、アップロードすることができる。

また、パーソナルコンピュータ内のボイスメールとボイスレコーダのメモリの内容をシンクロナイズするモード（ＰＣとシンクロ）のドットパターンが登録された領域も用意されている。

本発明は、キーボードに代わるパーソナルコンピュータへの文字入力の他、カーナビゲーション装置、情報家電、工場でのロボットや機器の制御等に利用できる。

ボイスレコーダの正面図（１）である。 ボイスレコーダの左側面図である。 ボイスレコーダの右側面図である。 ボイスレコーダの使用状態を示す説明図である。 ボイスレコーダの内部構成ブロック図である。 指示ボードのシンボルの配置状態を示す図である。 音声ファイルフォーマットを示す図である。 照合テーブル、照合コードの説明図である。 ボイスレコーダの正面図（２）である。 リンクテーブルの説明図である。 メモリカードを示す図である。 ドットパターンを説明するための図（１）である。 ドットパターンを説明するための図（２）である。 ドットパターンを説明するための図（３）である。 ドットパターンを説明するための図（４）である。 ドットパターンを説明するための図（５）である。 ドットパターンを説明するための図（６）である。 メモリカードとしてＳＤカードを使用した状態を説明するための図である。 ボイスレコーダの他の実施形態について説明するための図である。 角度を検出する機能を有するボイスレコーダについて説明するための図である。 図２０において使用される指示ボードのシンボルの配置状態を示す図である。 録音・リンク処理を示すフローチャート（１）である。 録音・リンク処理を示すフローチャート（２）である。 リンク済みの音声を再生する処理を示すフローチャートである。 角度を検出する方法について説明するための図（１）である。 音声決定テーブルについて説明するための図である。 角度を検出する方法について説明するための図（２）である。 角度を検出する機能を有するボイスレコーダの、他の実施形態について説明するための図（１）である。 角度を検出する機能を有するボイスレコーダの、他の実施形態について説明するための図（２）である。 角度を検出する機能を有するボイスレコーダの、他の実施形態について説明するための図（３）である。 本発明の他の実施形態について説明するための図である。 図３１の実施例において使用される指示ボードのシンボルの配置状態を示す図である。 本発明の一実施形態であるボイスメールシステムにおけるネットワーク構成図である。 ボイスメールシステムにおいて使用するペーパーコントローラのシンボルの配置状態を示す図である。 ボイスメールデータベースについて説明するための図である。 ボイスメールを送受信する処理を示すフローチャートである。 ボイスメールの送受信について説明するための図である。 ボイスメールシステムの一実施例であるボイスメールマネージャについて説明するための図である。 ボイスメールマネージャにおいて使用するペーパーコントローラのシンボルの配置状態を示す図である。 本発明の一実施形態である音声認識データ通信による機器制御について説明するための図である。 機器制御において使用するペーパーコントローラのシンボルの配置状態を示す図である。

符号の説明

１ ドットパターン
２ キードット
３ 情報ドット
４ 格子ドット
１０１、１９０１、３１０１ ボイスレコーダ
１０２、１９０２、３１０２ スピーカ
１０３ 録音・停止ボタン
１０４ 録音・再生表示部
１０５ リンク表示部
１０６ メモリカード
１０７ マイク
１０８ 電源スイッチ
１０９ ボリューム
１１０ コネクタ端子
１１１ 音声出力端子
１１２ 外部電源端子
１１３ スキャナ（光学読取手段）
１１４ ケーブル
１１５ ＵＳＢコネクタ
１１６ 写真
６００ 指示ボード
７０１ インデックス
７０２ 音声ファイルトラック

Claims (2)

1. 音声認識システムであって、
   音声情報を入力する音声入力手段と、
   カテゴリコードを意味するドットパターンが、カテゴリを意味する文字、図形、またはアイコンと重畳印刷された媒体と、からなり、
   ドットパターンを読み取る光学読取手段で、前記媒体上でカテゴリを意味するドットパターンを読み取り、該ドットパターンをカテゴリコード（ドットコード）に変換し、その後前記音声入力手段から入力された音声情報を前記カテゴリコードによって分類することにより音声認識の精度を高めることを特徴とする音声認識システム。
2. 前記音声認識システムは、
   前記音声情報を解析しテキストデータに変換する音声認識回路を有し、
   該テキストデータを送信することを特徴とする請求項１記載の音声認識システム。

Images