DE102005030967B4

DE102005030967B4 - Verfahren und Vorrichtung zur Interaktion mit einem Spracherkennungssystem zur Auswahl von Elementen aus Listen

Info

Publication number: DE102005030967B4
Application number: DE102005030967A
Authority: DE
Inventors: Harald Dr. Hüning; Susanne Dr.-Ing. Kronenberg; Michael Munz
Original assignee: DaimlerChrysler AG
Current assignee: Audi AG
Priority date: 2005-06-30
Filing date: 2005-06-30
Publication date: 2007-08-09
Anticipated expiration: 2025-07-01
Also published as: US20070005361A1; DE102005030967A1

Abstract

Verfahren zur Interaktion mit einem Spracherkennungssystem zur Auswahl von Elementen aus Listen,
bei welchem ein Nutzer dem Erkenner des Spracherkennungssystem ein Sprachmuster zuführt, um aus einem dem Spracherkennungssystem zugeordneten Vokabular mit zu erkennenden Listenelementen wenigstens ein Element auszuwählen,
bei welchem das dem System durch den Nutzer zugeführte Sprachmuster in einem Speicher 3 zwischengespeichert wird,
bei welchem das durch den Erkenner des Spracherkennungssystem aus dem Vokabular 5 ausgewählte, wenigstens eine Element 6 gemeinsam mit den Systemkommandos 7 zu einem temporären Erkennervokabular zusammengefasst wird,
bei welchem anschließend die zwischengespeicherte Spracheingabe erneut dem Erkenner 4 zugeführt wird, wobei dieser nun auf Basis des temporären Erkennervokabulars entscheidet,
wobei dann, wenn hierbei das Sprachmuster mit höherer Wahrscheinlichkeit als Element der Systemkommandos 7 denn als das wenigstens eine ausgewählte Element 6 der Liste 5 erkannt wurde, es in Folge durch das Spracherkennungssystem entsprechend als Systemkommando interpretiert wird,
und wobei dann,...

Description

Die Erfindung betrifft ein Verfahren und eine Vorrichtung zur Interaktion mit einem Spracherkennungssystems zur Auswahl von Elementen aus Listen, insbesondere von Text- oder Voiceenrollments, nach einem der Oberbegriffe der Patentansprüche 1 oder 5.
In vielen auf dem Markt befindlichen Spracherkennungssystemen ist es derzeit insbesondere auf Grund des großen zu erkennenden Vokabulars nicht möglich, bei gefordertem gutem Erkennungsergebnis parallel zu identifizierende Textelemente (meist abgelegt als dynamisches Vokabular) und Systembefehle zuzulassen. So ist es häufig nicht zulässig, neben der Eingabe von Städtenamen als Zieladressen auch Systembefehle einzugeben. Dies führt dazu, dass sich der Nutzer des Systems in diesem Eingabemodus in einer sprachlichen Sackgasse befindet. Ist er nun in diesen Zustand willentlich oder unwillentlich, beispielsweise durch eine Fehlerkennung, hineingeraten, so kommt er durch das Sprechen eines Systembefehls nicht mehr heraus. Die Eingabe des Systembefehls wird durch das Spracherkennungssystem automatisch als die Eingabe eines Städtenamens gewertet. Der Dialog kann somit auf dieser Stufe nur durch eine manuelle Eingabe abgebrochen werden.
Um dennoch einen sprach-gesteuerten Abbruch des Dialogs zu ermöglichen, wäre es denkbar, einen eindeutigen Sys tembefehl zu definieren, der sich grundsätzlich von zum Beispiel Städtenamen unterscheidet. Dafür könnte man einen unüblichen, sehr langen Befehl wählen, wie zum Beispiel „ich möchte den Stadtnamen buchstabieren". Das Problem dabei ist jedoch, dass ein derartiger Befehl nicht intuitiv vom Benutzer verwendet wird. Zumal wenn an anderen Stellen des Sprach Erkennungssystems mit anderen, intuitiven Befehlen korrigiert werden kann.

Aus der US 5,231,670 A1 ist ein Spracherkennungssystem bekannt, bei welchem ein Sprachsignal in Systemkommandos und Textelemente aufgeteilt wird. Hierbei beschreibt ein Systemkommando eine durch das System auszuführende Aktion und das innerhalb des Sprachsignals meist nachfolgende Textelement entspricht dem Text auf den diese Aktion angewandt werden soll. Dazu wird vorgeschlagen, die in den Kommando- und Textelementen enthaltene Information zu trennen und unabhängig voneinander einem Erkenner zu zuleiten und abzuarbeiten. Auf diese Weise fällt es dem Spracherkenner leichter, die in den Sprachsignalen enthaltene Systemkommandos bzw. Textelemente eindeutiger Elementen der jeweiligen Wortlisten zuzuordnen. Auf welcher Grundlage jedoch die Kommando- und Textelemente in dem Sprachsignal vor dessen Aufspaltung identifiziert werden sollen, wird dabei offen gelassen.

Ein Verfahren zur Identifikation von Kommando- und Textelementen in Sprachsignalen beschreibt das europäische Patent EP 0 785 540 B1 . Zur Unterscheidung wird vorgeschlagen, die Einzelelemente des Sprachsignals auf das Vorliegen einer für Kommandoelemente oder aber Textelemente typischen Struktur hin zu untersuchen. Speziell wird dabei vorgeschlagen, auf die Dauer von Sprechpausen vor oder nach den einzelnen Elementen zu achten, wobei davon ausgegangen wird, dann auf das Vorliegen eines Kommandoelementes zu schließen, wenn vor und/oder nach dem Element eine signifikante Sprechpause zu verzeichnen ist.

Um bei großem Vokabular das dem Spracherkenner zugrunde zu legende Wörterbuch zu optimieren wird in der deutschen Offenlegungsschrift DE 102 07 895 A1 vorgeschlagen, eine Spracheingabe als Gesamtwort zwischenzuspeichern und vor einer Weiterverarbeitung in eine Sequenz von Sprachuntereinheiten zu zerlegen, welche auf Zeichenfolgen abgebildet werden. Ausgehend von diesen Zeichenfolgen wird aus dem Gesamtvokabular des Spracherkenners in eine Teilliste generiert auf deren Basis das zwischengespeicherte Gesamtwort erneut einer Erkennung unterzogen wird.

Bei dem in der europäischen Offenlegungsschrift EP 1 162 602 A1 beschriebenen Verfahren wird eine Spracheingabe einem ersten Spracherkennungsschritt auf Basis des gesamten der Spracherkennung zugrunde liegenden Vokabulars unterworfen. Dieser Erkennungsschritt liefert sodann ein erstes Erkennungsergebnis. Dieses erste Erkennungsergebnis wird auf das Vorhandensein von Schlagwörtern untersucht. Wird kein Schlagwort identifiziert, so wird das erste Erkennungsergebnis als Endergebnis der Spracherkennung gewertet. Werden jedoch Schlagwörter identifiziert, so wird auf deren Basis das Erkennervokabular reduziert. Sodann wird die ursprüngliche Spracheingabe erneut einem zweiten Spracherkennungsschritt auf Basis dieses reduzierte Vokabular unterzogen. Das hieraus resultierende Erkennungsergebnis wird sodann als Endergebnis der Spracherkennung gewertet.

Aufgabe der Erfindung ist es, ein neuartiges Verfahren und eine geeignete Vorrichtung für ein Spracherkennungssystem zu finden, mittels welchem zwischen der Eingabe eines für diesen Dialogschritt typischen Listenelement, insbesondere einem Text- oder Voiceenrollment, und einem aus diesem Dialogschritt herausführenden Systemkommando unterschieden werden kann.

Die Aufgabe wird durch ein Verfahren und eine Vorrichtung zur Interaktion mit einem Spracherkennungssystems zur Auswahl von Listenelementen mit den Merkmalen eines der Patentansprüche 1 oder 5 gelöst. Vorteilhafte Ausgestaltungen und Weiterbildungen der Erfindung werden durch die Unteransprüche beschrieben.

Das System zur Interaktion mit einem Spracherkennungssystem zur Auswahl von Listeneinträgen ist so gestaltet, dass ein Nutzer dem Erkenner des Spracherkennungssystem ein Sprachmuster zuführen kann, um aus einem dem Spracherkennungssystem zugeordneten Vokabular mit zu erkennenden Listeneinträgen wenigstens ein Element auszuwählen. Bei den Listen kann es sich sowohl um statische oder dynamische Listen handeln, welche teilweise auch vordefiniert sind; dies sind insbesondere Text- oder Voiceenrollments, welche in der Regel bei Spracherkennungssystemen recht große Umfänge annehmen. In erfinderischer Weise wird das dem System durch den Nutzer zugeführte Sprachmuster zwischengespeichert. Parallel dazu wird das durch den Spracherkenner aus der Liste ausgewählte, wenigstens eine Listenelement gemeinsam mit den Systemkommandos zu einem temporären Erkennervokabular zusammengefasst. Nach der Erzeugung dieses temporären Erkennervokabulars wird anschließend die zwischengespeicherte Spracheingabe erneut dem Erkenner zugeführt, wobei dieser nun auf Basis dieses Erkennervokabulars entscheidet. Dann, wenn hierbei das Sprachmuster mit höherer Wahrscheinlichkeit als Element der Systemkommandos, denn als das wenigstens eine ausgewähltes Listenelement erkannt wurde, wird es in Folge durch das Spracherkennungssystem entsprechend als Systemkommando interpretiert. Andererseits wird dann, wenn das Sprachmuster mit höherer Wahrscheinlichkeit als Listenelement erkannt wurde, das Sprachmuster als Auswahl dieses Listenelements aus dem Vokabular der zu erkennenden Listenelemente durch den Nutzer interpretiert.

Die Erfindung besteht folglich darin, dass bei einem ersten Erkennungsvorgang nur das dem Spracherkennungssystem zugeordnete Vokabular (Liste) mit zu erkennenden Listeneinträgen aktiviert wird, so zum Beispiel eine Städteliste; hierbei handelt es sich meist um ein großes, dynamisches Vokabular. Der Erkenner liefert als Erkennungsergebnis ein einzelnes oder aber auch mehrer Listeneinträge zurück. Danach wird der Erkenner auf Basis der parallel zu erkennenden Systemkommandos und den gerade vom Erkenner als Erkennungsergebnis gelieferten Listenelementen mit dem im ersten Erkennungsvorgang aufgezeichneten Sprachsignal noch einmal aufgerufen. Wird bei diesem zweiten Aufruf als Erkennungsergebnis ein Systemkommando zurückgeliefert, so wird das Sprachdialogsystem davon ausgehen, dass es sich bei der vorher vom Benutzer gesprochenen Äußerung um ein Systemkommando handelte, so dass es den weiteren Dialogablauf dementsprechend steuern wird.

Die Verbesserung der Erkennung basiert auf der Verkleinerung des dem Erkenner zugrunde gelegten Vokabulars. Gerade bei großen Listen wie bei Städtenamen oder Straßennamen müssen viele ähnliche Alternativen bewertet werden. Durch den ersten Erkennungsschritt werden die Einträge der ursprünglich großen Liste entsprechend dem Erkennungsergebnis auf meist wenige Listenelemente reduziert. Diese belasten im zweiten Erkennungsschritt die Ressourcen des Erkenners nicht so sehr und so dass eine Bessere Unterscheidung zwischen Listenelementen und Systemkommandos möglich wird.

Nachfolgend wird die Erfindung mit Hilfe einer Figur im Detail erläutert. Im Allgemeinen wird dem Spracherkennungssystem das Sprachsignal über ein Mikrofon 1 zugeführt; selbstverständlich wäre gleichsam auch eine elektronische Übertragung des Sprachsignals über eine geeignete elektronisch oder software-technisch realisierte Schnittstelle denkbar. Das dem Spracherkennungssystem zugeführte Sprachsignal wird zum einen in einem Speicher 3 zwischengespeichert und zum anderen dem Erkenner 4 zugeführt. Der Erkenner arbeitet auf Basis des diesem zugeordneten Vokabulars (Liste) 5 mit zu erkennenden Listeneinträgen. Als Erkennungsergebnis 6 liefert der Erkenner 4 wenigstens ein Element des Vokabulars 5 als nachfolgend zu beachtende Listeneinträge. Selbstverständlich kann der Erkenner auch so gestaltet werden, dass er als Ergebnis 6 auch mehrere Einträge des Vokabulars 5 liefert. Hierzu ist es in vorteilhafter Weise denkbar den Erkenner so zu gestalten, dass er um eine bessere Beurteilungsqualität zu ermöglichen den einzelnen ausgegebenen Textenrollments Wahrscheinlichkeiten, insbesondere Konfidenzmaße, zuordnet. Mit Hilfe dieser Wahrscheinlichkeiten kann nachfolgend dann über geeignete, aus dem Stand der Technik bekannte Verfahren eine bessere Bewertung und Weiterverarbeitung des Erkennungsergebnisses erfolgen.
Das mittels des Erkenners 4 und gegebenenfalls unter Beachtung von Wahrscheinlichkeiten aus dem Vokabular 5 ausgewählten Listenelemente 6 werden nun gemeinsam mit den System kommandos 7 zu einem temporären Erkennervokabular zusammengebracht. Dieses neue, temporäre Erkennervokabular bildet die Basis für den neuerlichen Erkennungsvorgang, bei welchem dem Erkenner 4 das im Speicher 3 zwischengespeicherte Sprachsignal zugeführt wird. Auf Grundlage des Erkennungsergebnisses 8 des neuerlichen Erkennungsvorgangs wird sodann beurteilt, inwieweit das ursprünglich dem Spracherkennungssystem zugeführte Sprachsignal ein Systemkommando 7 oder eine Auswahl aus dem Vokabular 5 mit den zu erkennenden Listenelementen darstellt. Auch bei diesem zweiten Lauf des Erkenners ist es selbstverständlich denkbar, dass dieser mehrere alternative Erkennungsergebnisse 8 liefert, welche auf Grund von diesen zugeordneten Wahrscheinlichkeiten einer qualitativen Bewertung und Auswahl unterzogen werden.

Claims

Verfahren zur Interaktion mit einem Spracherkennungssystem zur Auswahl von Elementen aus Listen, bei welchem ein Nutzer dem Erkenner des Spracherkennungssystem ein Sprachmuster zuführt, um aus einem dem Spracherkennungssystem zugeordneten Vokabular mit zu erkennenden Listenelementen wenigstens ein Element auszuwählen, bei welchem das dem System durch den Nutzer zugeführte Sprachmuster in einem Speicher 3 zwischengespeichert wird, bei welchem das durch den Erkenner des Spracherkennungssystem aus dem Vokabular 5 ausgewählte, wenigstens eine Element 6 gemeinsam mit den Systemkommandos 7 zu einem temporären Erkennervokabular zusammengefasst wird, bei welchem anschließend die zwischengespeicherte Spracheingabe erneut dem Erkenner 4 zugeführt wird, wobei dieser nun auf Basis des temporären Erkennervokabulars entscheidet, wobei dann, wenn hierbei das Sprachmuster mit höherer Wahrscheinlichkeit als Element der Systemkommandos 7 denn als das wenigstens eine ausgewählte Element 6 der Liste 5 erkannt wurde, es in Folge durch das Spracherkennungssystem entsprechend als Systemkommando interpretiert wird, und wobei dann, wenn hierbei das Sprachmuster mit höherer Wahrscheinlichkeit als Element der Liste erkannt wurde, das Sprachmuster als Auswahl dieses Listenelements aus dem Vokabular der zu erkennenden Listenelemente (Vokabular) 5 durch den Nutzer interpretiert wird.
Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass der Erkenner 4 als ausgewähltes Listenelement 6 mehrere alternative Erkennungsergebnisse liefert.
Verfahren nach einem der Vorhergehenden Ansprüche, dadurch gekennzeichnet, dass der Erkenner 4 zur Qualitätsbeurteilung Wahrscheinlichkeiten, insbesondere Konfidenzmaße, hinsichtlich seiner Erkennungsergebnisse bereitstellt.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass dem Spracherkennungssystem das Sprachmuster durch Einsprechen in ein Mikrophon 1 zugeführt wird.
Vorrichtung zur Interaktion mit einem Spracherkennungssystem zur Auswahl von Textenrollments, welche über ein Eingabemittel 1 verfügt, mittels welches ein Nutzer dem Erkenner 4 des Spracherkennungssystem ein Sprachmuster zuführt, um aus einer dem Spracherkennungssystem zugeordneten Liste (Vokabular) 5 ein Element 6 auszuwählen, welche einen Speicher 3 umfasst, in welchem das durch den Nutzer zugeführte Sprachmuster zwischengespeichert wird, und welche weiter ein Mittel umfasst, um das durch den Erkenner 4 des Spracherkennungssystem aus der Liste 5 ausgewählte Element 6 gemeinsam mit den Systemkommandos 7 zu einem temporären Erkennervokabular zusammenzufassen, wobei der Erkenner 4 eine Schnittstelle aufweist, über welchem die in dem Speicher 3 zwischengespeicherte Spracheingabe dem Erkenner zugeführt werden kann, so dass dieser diese Spracheingabe nun auf Basis des temporären Erkennervokabulars verarbeiten kann, und wobei dem Erkenner 4 eine Entscheidungseinheit 8 zugeordnet ist, welche ausgehend von dem Erkennungsergebnis dann, wenn das Sprachmuster mit höherer Wahrscheinlichkeit als Element der Systemkommandos 7 denn als das wenigstens eine ausgewählte Element der Liste 5 erkannt wurde, das Spracherkennungssystem dieses als Systemkommando interpretiert, und welche dann, wenn das Sprachmuster mit höherer Wahrscheinlichkeit als Element der Liste 5 erkannt wurde, das Sprachmuster als Auswahl eines Elementes der Liste 5 interpretiert.