DE102008007698A1

DE102008007698A1 - Verfahren zur Erkennung einer Eingabe in einem Spracherkennungssystem

Info

Publication number: DE102008007698A1
Application number: DE200810007698
Authority: DE
Inventors: Georg Dr. Stemmer
Original assignee: Siemens AG
Current assignee: Siemens AG
Priority date: 2008-02-06
Filing date: 2008-02-06
Publication date: 2009-08-13
Also published as: WO2009098118A1

Abstract

Es wird ein Verfahren zur Erkennung einer Eingabe in einem Spracherkennungssystem beschrieben, welches Spracherkennungssystem Prozeduren enthaltende Erkennungsgrammatiken ausführt, die in Form von Wort- und/oder Satzhypothesen festlegen, welche Äußergssystem enthält einen Spracherkenner mit einem Interpreter oder Compiler, um Prozeduren, die in einer bestimmten Programmiersprache geschrieben sind, auswerten zu können. Während eines Erkennungsvorgangs werden die Prozeduren in Abhängigkeit davon, welche Worthypothesen gut bewertet sind, ausgeführt. Die Prozeduren können durch Ausgabe eines Rückgabewerts auch mit anderen Systemen zur Nutzung von Nebenbedingungen interagieren. Der Rückgabewert der Prozeduren oder der Wert einer festgelegten Variablen wird vom Spracherkennungssystem mit der jeweiligen Bewertung der Wort- und/oder Satzhypothese verknüpft, wodurch sich eine neue Bewertung der Wort- und/oder Satzhypothese ergibt, und der Spracherkenner am Ende die bestbewerteten Wort- und/oder Satzhypothesen ausgibt.

Description

Die Erfindung betrifft ein Verfahren zur Erkennung einer Eingabe in einem Spracherkennungssystem mit einen Spracherkenner mit einem Interpreter oder Compiler.
Äußerungen, die von einem Spracherkennungssystem verarbeitet werden sollen, werden oft durch Nebenbedingungen beeinflusst, die einerseits sehr spezifisch von der Aufgabenstellung abhängen und andererseits sehr komplex sind. Ein Beispiel dafür sind gesprochene Eingaben von Kreditkartennummern, die je nach Typ der Karte diversen Eigenschaften genügen müssen, z. B. dass ihre Quersumme durch eine bestimmte Zahl (z. B. 127) teilbar ist. Das Gleiche gilt für viele andere Nummern, die z. B. eine Prüfziffer enthalten. Ein weiteres Beispiel ist die multimodale Eingabe, bei der bestimmte Äußerungen nur in engem zeitlichen Kontext mit der Eingabe anderer Modalitäten Sinn machen, etwa einem gesprochenen Löschbefehl zusammen mit einem Mausklick auf eine Datei. Ohne Mausklick tritt die Äußerung nicht oder nur sehr selten auf.
Der Erfindung liegt das Problem zugrunde, solche komplexen Nebenbedingungen in einem Spracherkennungssystem dazu zu nutzen, um die Erkennung so effizient und akkurat wie möglich zu machen.
Hierzu gibt es zwei Lösungsansätze. Ein erster ist, das Spracherkennungssystem so für die jeweilige Aufgabenstellung anzupassen, dass die Nebenbedingungen in den Erkennungsvorgang miteinbezogen werden. Der Nachteil dieses Ansatzes ist, dass für jedes Anwendungsgebiet die Implementierung des Spracherkennungssystems geändert werden muss, was meist nicht praktikabel ist. Beim zweiten Lösungsansatz gibt der Spracherkenner nicht nur eine beste Hypothese für die gesprochene Äußerung, sondern eine ganze Liste mit sehr vielen Alternati ven oder einen Worthypothesengraph zurück. Eine andere Einheit, wie etwa die Dialogmaschine, sucht dann in den Alternativen nach einer besten Hypothese, die die Nebenbedingung erfüllt. Bei diesem Verfahren kann die Nebenbedingung nicht in den Erkennungsvorgang einbezogen werden, was zu einer Erhöhung des Rechenaufwandes und/oder einer Verschlechterung der Erkennungsgenauigkeit führen kann. Außerdem kann, je nach Nebenbedingung, die Anzahl der Alternativen, die benötig werden, sehr groß sein, was zu einer Erhöhung des Rechenaufwands in der Dialogmaschine und des Datentransfers führt.
Der Erfindung liegt die Aufgabe zugrunde ein Verfahren zur Verbesserung einer Erkennung einer Eingabe in einem Spracherkennungssystem unter Nutzung komplexer Nebenbedingungen zu entwickeln.
Die Aufgabe wird durch die Merkmale des unabhängigen Anspruchs 1 gelöst.
Moderne Spracherkennungssysteme enthalten oft bereits einen Interpreter für standardisierte Scriptsprachen. Darüber hinaus erlauben moderne Spracherkennungssysteme die Auswertung von Prozeduren/Skripten, die von einem Anwendungsentwickler geschrieben wurden, in Abhängigkeit von der erkannten Worthypothese. Üblicherweise werden die Rückgabewerte vom Spracherkennungssystem zur semantischen Interpretation und Formatierung des Erkennungsergebnisses verwendet.
Der Spracherkenner enthält einen Interpreter oder Compiler, um Prozeduren, die in einer bestimmten Programmiersprache geschrieben sind, auswerten zu können. Für jedes Anwendungsgebiet schreibt ein Entwickler Erkennungsgrammatiken, die festlegen, welche Äußerungen gesprochen werden können. Diese Grammatiken enthalten vom Entwickler geschriebene Prozeduren. Während des Erkennungsvorgangs werden die Prozeduren in Abhängigkeit davon, welche Worthypothesen gut bewertet sind, ausgeführt. Die Prozeduren können auch mit anderen Systemen interagieren, etwa um den aktuellen Zustand anderer Eingabemodalitäten, wie etwa der Maus, zu bestimmen.
Hiervon ausgehend wird erfindungsgemäß ein Verfahren zur Erkennung einer Eingabe in einem Spracherkennungssystem vorgeschlagen, welches Spracherkennungssystem Prozeduren enthaltende Erkennungsgrammatiken ausführt, die in Form von Wort- und/oder Satzhypothesen festlegen, welche Äußerungen gesprochen werden können. Das Spracherkennungssystem enthält einen Spracherkenner mit einem Interpreter oder Compiler, um Prozeduren, die in einer bestimmten Programmiersprache geschrieben sind, auswerten zu können. Während eines Erkennungsvorgangs werden die Prozeduren in Abhängigkeit davon, welche Worthypothesen gut bewertet sind, ausgeführt. Die Prozeduren können durch Ausgabe eines Rückgabewerts auch mit anderen Systemen zur Nutzung von Nebenbedingungen interagieren, etwa um den aktuellen Zustand anderer Eingabemodalitäten, wie etwa einer Maus, zu bestimmen. Der Rückgabewert der Prozeduren oder der Wert einer festgelegten Variablen wird vom Spracherkennungssystem mit der jeweiligen Bewertung der Wort- und/oder Satzhypothese verknüpft, wodurch sich eine neue Bewertung der Wort- und/oder Satzhypothese ergibt. Der Spracherkenner gibt am Ende die bestbewerteten Wort- und/oder Satzhypothesen aus.
Die Grundidee der Erfindung liegt in einer Nutzung des Rückgabewerts der Prozeduren für eine Bewertung von Worthypothesen, zur Steuerung des Spracherkenners oder zur Interaktion mit anderen Systemen, wie z. B. anderen Eingabemodalitäten.
Vorteile der Erfindung gegenüber dem Stand der Technik ergeben sich insbesondere durch eine Erhöhung der Erkennungsgenauigkeit und -performanz, da im Spracherkennungslauf ungültige Wortfolgen von vorneherein ausgeschlossen werden können. Weiterhin ist es für den Anwendungsentwickler auf sehr einfache Weise möglich auch sehr komplexe Nebenbedingungen und Aktionen in den Spracherkennungsprozess mit einzubeziehen.
Weiterhin ist denkbar, dass die Prozeduren über einen vordefinierten Satz von Kommandos das Verhalten des Spracherkenners steuern können, etwa indem sie z. B. einen zweiten Erkennungslauf für Teile der Äußerung mit einem erweiterten Vokabular oder einer anderen Sprache triggern.
Vorzugsweise führt der Spracherkenner über die Prozeduren auch selbstständig einen Dialog fort, indem er beispielsweise mit einem Sprachsynthesesystem interagiert, um noch einmal nachzufragen, wenn eine Äußerung nur schlecht verständlich war. Das kann die Gestaltung des Dialogs für den Anwendungsentwickler weiter vereinfachen.
Eine vorteilhafte Ausgestaltung der Erfindung sieht vor, dass die Erkennungsgrammatik eine Grammatik für Ziffernfolgen ist, die Prozeduren in einer Programmiersprache, beispielsweise Javascript, enthält.
Vorzugsweise wird dabei zur Bewertung der Wort- und/oder Satzhypothese der Erkennungsgrammatik der Wert einer festgelegten Variablen berechnet, die alle Ziffernfolgen schlecht bewertet, die nicht gültig sind.
Ein Ausführungsbeispiel bzw. ein Anwendungsbeispiel der Erfindung ist eine eingangs erwähnte Erkennung von Kreditkartennummern. Die Erkennungsgrammatik wäre in diesem Fall eine Grammatik für Ziffernfolgen, die Prozeduren in einer Programmiersprache, beispielsweise Javascript, enthält.
Eine festgelete Variable «score» wird berechnet, die alle Ziffernfolgen schlecht, beispielsweise mit 0.0, bewertet, die nicht gültig im Sinne einer Kreditkartennummer sind.

Claims

Verfahren zur Erkennung einer Eingabe in einem Spracherkennungssystem, welches Spracherkennungssystem Prozeduren enthaltende Erkennungsgrammatiken ausführt, die in Form von Wort- und/oder Satzhypothesen festlegen, welche Äußerungen gesprochen werden können, wobei das Spracherkennungssystem einen Spracherkenner enthält, um Prozeduren, die in einer bestimmten Programmiersprache geschrieben sind, auswerten zu können, wobei während eines Erkennungsvorgangs die Prozeduren in Abhängigkeit davon, welche Worthypothesen gut bewertet sind, ausgeführt werden, und die Prozeduren durch Ausgabe eines Rückgabewerts auch mit anderen Systemen zur Nutzung von Nebenbedingungen interagieren können, dadurch gekennzeichnet, dass der Rückgabewert der Prozeduren oder der Wert einer festgelegten Variablen vom Spracherkennungssystem mit der jeweiligen Bewertung der Wort- und/oder Satzhypothese verknüpft wird, wodurch sich eine neue Bewertung der Wort- und/oder Satzhypothese ergibt, und der Spracherkenner am Ende die bestbewerteten Wort- und/oder Satzhypothesen ausgibt.
Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass die Prozeduren über einen vordefinierten Satz von Kommandos das Verhalten des Spracherkenners steuern können.
Verfahren nach Anspruch 2, dadurch gekennzeichnet, dass die Prozeduren das Verhalten des Spracherkenners durch triggern eines zweiten Erkennungslauf für Teile der Äußerung mit einem erweiterten Vokabular oder einer anderen Sprache steuern.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass der Spracherkenner über die Prozeduren auch selbstständig einen Dialog fortführt, um noch einmal nachzufragen, wenn eine Äußerung nur schlecht verständlich war.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Erkennungsgrammatik eine Grammatik für Ziffernfolgen ist.
Verfahren nach Anspruch 5, dadurch gekennzeichnet, dass zur Bewertung der Wort- und/oder Satzhypothese der Erkennungsgrammatik der Wert einer festgelegten Variablen («score») berechnet wird, die alle Ziffernfolgen schlecht bewertet, die nicht gültig sind.