-
Einrichtung zur automatischen Erkennung von gesprochenen Silben oder
Wörtern Die Erfindung betrifft eine Einrichtung zur automatischen Erkennung von
gesprochenen Silben oder Wörtern, z. B. Ziffernwörtern, bei der die den Schallschwingungen
entsprechenden elektrischen Schwingungen in Zeitabständen auf in ihnen enthaltene
Merkmale geprüft werden.
-
Es sind bereits Vorschläge bekanntgeworden, die auf eine automatische
Erkennung gesprochener Laute und Wörter abzielen. Geräte, die dies leisten, könnten
mit Vorteil unter anderem für die Dateneingabe in Rechenmaschinen, die Nummernwahl
beim Telefon, das Schreiben von Texten und die Steuerung von Maschinen eingesetzt
werden.
-
Ein bekannter Ansatz zur Lösung des Problems besteht darin, daß die
den Schallschwingungen eines Lautes oder einer Lautverbindung entsprechenden elektrischen
Schwingungen in Zeitabständen auf das jeweils in ihnen enthaltene Kurzzeitspektrum
durch einen Raster von Bandfiltern geprüft und Signale entsprechend den Frequenzverteilungen
in mehreren aufeinanderfolgenden Spektren in einer Durchschiebematrix gespeichert
werden, wobei ein laufender Vergleich mit vorgegebenen Signalmustern stattfinden
soll, die durch die Laute eines »Mustersprechers« gebildet wurden.
-
Die Einrichtung nach der vorliegenden Erfindung benutzt ebenfalls
das Prinzip, die Sprachwellenformen in Zeitabständen auf in ihnen enthaltene Merkmale
zu prüfen und eine Merkmalsverteilung als Signalmuster zu speichern. Sie ermöglicht
es aber einerseits, gleich ganze Silben oder Wörter, z. B. Ziffernwörter, zu erkennen.
Andererseits kommt sie mit wenigen zu prüfenden Grundmerkmalen aus und kann daher
einfach und mit geringem Raumbedarf ausgebildet werden. Ihr Arbeitsprinzip beruht
auf dem Ergebnis von Untersuchungen der Lautwellenformen auf Struktur-Grundmerkmale,
die sowohl lautcharakteristisch als auch von den Artikulationseigenheiten unterschiedlicher
Sprecher unabhängig sind. Mit einem Versuchsgerät nach der Erfindung konnte eine
gute Erkennungssicherheit mit sehr verschiedenen Sprechern und wenig Sprechdisziplin
erreicht werden.
-
Erfindungsgemäß wird dies Ergebnis in der Weise erzielt, daß jeweils
eine einen Schwellenwert überschreitende Meßgröße das Auftreten oder Nichtauftreten
einer langsamen (Grund-) Schwingung sowie das Auft reten oder Nichtauftreten einer
wesentlich schnelleren (Ober-) Schwingung feststellt und diese Feststellungen mit
ja/nein bewertet als Code zur Einstufung des untersuchten Lautes in eine Lautgruppe
mittels einer Verknüpfungsschaltung dienen, und daß durch diese erzeugte Lautgruppen-Markiersignale
in der Reihenfolge ihres Auftretens in einem Signalspeicher geordnet werden und
nach Beendigung der gesprochenen Silbe (bzw. des Wortes) abgefragt zu deren Identifizierung
herangezogen werden. Gegebenenfalls können verfeinerte Prüfungen zugesetzt werden,
insbesondere Prüfungen der Zeitdauer oder auch der Häufigkeit des Auftretens der
Schwingungsformen.
-
Nachfolgend wird ein Ausführungsbeispiel einer Einrichtung nach der
Erfindung näher erläutert.
-
F i g. 1 zeigt eine Sprachwellenform eines bestimmten gesprochenen
Wortes, F i g. 2 eine binäre Merkmalstabelle (Kodetabelle) für Laute, F i
g. 3 eine Kodetabelle (Entschlüsselungstabelle) für Ziffernwörter, F i
g. 4 ein Schaltbild einer Erkennungseinrichtung für Ziffernwörter.
-
In F i g. 1, Zeile w, ist ein Oszillogramm des gesprochenen
Wortes »sieben« wiedergegeben. Im Verlauf der Wellenform lassen sich zwei Merkmale
verfolgen, nämlich das deutliche Auftreten einer langsamen Schwingung oder »Grundschwingung«,
die in Zeile a wiedergegeben ist, sowie das deutliche Auftreten wesentlich schnellerer
Schwingungen, die dort, wo eine Grundschwingung vorhanden ist, auf dieser »Oberwellen«
bilden. Man könnte diese wesentlich schnelleren Schwingungen auch als »Rauhigkeit«
bezeichnen. Sie sind in Zeile b für sich herausgezogen. Diese beiden Teilschwingungen
a und b lassen sich in hinreichender Weise aus der Gesamtschwingung ableiten.
Jede hat zu verschiedenen Zeiten größere oder kleinere Amplituden, und zur Merkmalsgewinnung
soll
durch Setzen einer Schwelle unterschieden werden zwischen genügend großen Amplituden
(Schwingung deutlich vorhanden: SignalL) und nicht genügend großen Amplituden (Schwingung
nicht deutlich oder nicht vorhanden: Signal 0). Es kann nun festgestellt
werden, daß die Kombination a =L, b = 0
bei dem Laut n auftritt,
aber z. B. auch bei w, o, n;
diese Lautgruppe sei als Lautgruppe
N bezeichnet. Die Kombination a = 0, b = L gilt für den Lauts,
aber z. B. auch ks, f (v), d, t; diese Lautgruppe wird
als Lautgruppe S bezeichnet. Eine die Kombination a = L,
b = L ergebende Lautgruppe I schließlich enthält außer dem Laut i z.
B. die Laute a, b, e, 1, r, dr. Es ergibt sich so eine Merkmalstabelle
gemäß F i g. 2. Diese einfache Kodierung ergibt einen Grundschritt zur Erkennung
von Wörtern; von ihm ausgehend kann nun weiterhin die zeitliche Reihenfolge des
Auftretens solcher Lautverbindungen selbsttätig ermittelt werden, um die Wortkodierung
auszubauen. Mit wiederum wenigen Reihenfolgekriterien ist es dann möglich, z. B.
die gesprochenen Ziffernwörter »null« bis »neun« automatisch zu erkennen. Hierfür
kommt man damit aus, daß zusätzlich zu der Erkennung der drei Lautgruppen
N, S, I noch das Vorkommen von Lautgruppen N, S
vor und/oder nach der Lautgruppe I registriert wird. Wenn man vor der Lautgruppe
I liegende Lautgruppen N, S mit N 1, S 1
und dahinterliegende
mit N2, S2 bezeichnet, lassen sich die Ziffernwörter kodieren, wie
in F i g. 3 angegeben.
-
Es sei nun die Schaltung einer mit dieser Kodierung arbeitenden Ziffernwort-Erkennungseinrichtung
beschrieben. In F i g. 4 ist M ein Mikrofon, in das die Ziffernwörter gesprochen
werden, MV i#t ein Mikrofonverstärker. Die verstärkten elektrischen Sprachschwingungen
gelangen in eine Schaltung Ea zur Erkennung der Teilschwingung a (»Grundwelle«)
und gleichzeitig in eine Schaltung Eb zur Erkennung der Schwingung b (»Oberwelle«,
»Rauhigkeit«). Am Ausgang von Ea liegt ein Schmitt-Trigger STa und am Ausgang von
Eb ein Schmitt-Trigger STb. Wenn die Schwingung a bzw. b mit genügender Amplitude
auftritt, kippt der Schmitt-Trigger STa bzw. STb und gibt einen Kippimpuls auf ein
bistabiles Flip-Flop FFa bzw. FFb. Die Ausgänge »0« und »L« der Flip-Flops
FFa und FFb, deren Grundstellungs-Ausgangswerte eingetragen sind, sind über
eine Verknüpfungsschaltung V 1 an UND-Tore N 1, S 1, 1,
N 2, S 2 angeschlossen nach Maßgabe der Tabelle F i
g. 2. Am Ausgang jedes UND-Tores liegt ein bistabiles Flip-Flop, so daß als
Signalspeicher fünf Kodier-Flip-Flops FFN1, FFS1, FFI, FFN2 und FFS2 vorhanden
sind. Während das UND-Tor I keine weitere Eingangsbedingung als die durch die Tabelle
F i g. 2 gegebene hat, haben die UND-Tore N 1, S 1, N 2,
S 2, noch jedes einen dritten Eingang. Die dritten Eingänge von Nl und
Sl liegen an dem Ausgang von FFI, der bei dessen Grundstellung den Wert »L« führt,
die dritten Eingänge von N2 und S2 liegen an dem anderen Ausgang von
FFI. Infolgedessen betätigen LautgruppenN, S, die vor der Lautgruppe I liegen,
die Kodier-Flip-Flops FFN1 bzw. FFS2, treten sie nach der Lautgruppe I auf, so werden
FFN2 bzw. FFS2 umgeworfen.
-
Die »0«- und »L«-Ausgänge der genannten fünf Flip-Flops sind an eine
DekodierungsmatrixD angeschlossen, aus der die Steuerspannungen für zehn UND-Tore
UO, Ul ... U9 entnommen werden, und zwar nach Maßgabe der Verknüpfungstabelle
F i g. 3.
Am Ausgang jedes UND-Tores Ux (x = 0, 1 ... 9)
liegt
ein bistabiles Flip-Flop FFx (x= 0, 1 ... 9), und der Wirkausgang
jedes dieser Flip-Flops gibt sein Signal über einen Verstärker Vx (x =
0, 1 ... 9) in einen Ziffernwert-Ausgabekanal Zx (x= 0,
1 ... 9),
über den z. B. ein optischer ZiffernindikatorLx (x= 0,
1 ... 9), wie in F i g. 4 dargestellt, oder ein sonstiges
Wirkglied vie e-ma ein,- Rechenmaschinentaste betätigt werden kann.
-
Um die Merkmalsk(,-lieruilg auf den fünf Kopier-Flip-Flops zu erhalten,
muß die Wellenform jedes Ziffernwortes in Zeitabständen auf das Vorhandensein oder
Nichtvorhandensein der Schwingungsform a und b abgefragt werden. Zu diesem
Zweck ist ein Taktgenerator TG vorgesehen, der Abfrageimpulse z. B. in einem
gleichmäßigen Rhythmus von etwa 10 Hz lielert. Diese stellen die Eingangs-Flip-FlopsFFa,
FFb zurück, falls sie auf »L« gestellt waren, und dienen zugleich zur getakteten
Einstellung der fünf Kodier-Flip-Flops und der End-Flip-Flops entsprechend den an
den vorgeschalteten Toren liegenden Signalspannungen. Ferner ist ein monostabiles
Flip-Flop fF vorhanden, das durch die Wellenanstiegsflanke jedes neu gesprochenen
Ziffernwortes in seine instabile Stellung geworfen wird und nach einer fest vorgegebenen
Zeit von etwa 1 bis 2 Sekunden wieder zurückkippt. Ein beim Rückkippen erzeugter
Impuls bewirkt die Rückstellung und damit zugleich Abfrage der fünf Kodier-Flip-Flops,
wobei die End-Flip-Flops FFx eingestellt werden. Diese können z. B. durch den Hinkipp-Impuls
von fF beim Sprechen eines neuen Wortes gelöscht werden.
-
Eine andere Methode zur zeitlich aufeinanderfolgenden Abfrage der
Merkmale besteht darin, daß der Taktgenerator TG Abfrage-Taktimpulse erzeugt,
die aus der Sprachwelle selbst abgeleitet werden. Es ist denn zweckmäßig den Taktgeber
so auszubilden, daß aus dem Schwingungsverlauf der Einhüllenden der Sprachwellenform
die Maxima differenzierend erfaßt werden und an den Stellen dieser Maxima jeweils
ein Abfrageimpuls z. B. durch ein monostabiles Flip-Flop erzeugt wird.
-
Die Schaltung Ea zur Erkennung der Teilschwingung a (»Grundwelle«)
kann als ein Tiefpaß und die Schaltung Eb zur Erkennung der Teilschwingung
b
(»Oberwelle«) als ein Hochpaß ausgebildet werden. Jedoch sind auch andere
Schaltungen, die eine Integration der Wellenform einerseits und eine Differentiation
andererseits leisten, zur Diskriminierung der Teilschwingungen verwendbar. Eine
andere Möglichkeit ist die, daß die »Oberwelle« oder »Rauhigkeit« gemittelt wird
und Auslenkungen der gemittelten Welle sowie gegenüber der gemittelten Welle festgestellt
werden. Schließlich ist eine Erkennung auch auf die Weise möglich, daß nur die Nulldurchgänge
der gemittelten Welle und außerdem die auf die gemittelte Welle bezogenen Nulldurchgänge
der Schwingungen herangezogen werden.
-
Bei dem vorstehend beschriebenen Ausführungsbeispiel der Schaltung
ist für das Festhalten der in der Kodiertabelle F i g. 2 enthaltenen Kombination
»00« (= Pause) kein Speicher vorgesehen. Es sei daher besonders angemerkt,
daß auch diese Kombination (Nichtauftreten der langsamen und Nichtauftreten der
schnellen Schwingung, wie es sich z. B. in der Mitte des Oszillogramms der F i
g. 1 zeigt) zu den
Merkmalen gehört, die für die Kodierung
oftmals nützlich sein können.
-
Die angegebene Worterkennungsmethode kann dadurch weiter ausgebaut
bzw. verfeinert werden, daß außer der Erkennung der Lautgruppen selbst und der Berücksichtigung
ihrer zeitlichen Reihenfolge auch die Dauer erfaßt wird, während der sie jeweils
vorhanden sind. Diese Dauer manifestiert sich durch die Länge des Rechteckimpulses,
der von einem der Schmitt-Trigger STa und STb nach dem Ansprechen jeweils
ausgegeben wird. Man kann dann, etwa mit Hilfe monostabiler Flip-Flops oder während
der Impulsdauer ansteigender Sägezähne, z. B. wieder eine Dualisierung vornehmen,
die angibt, ob die Dauer einer Lautgruppe, also einer 0-L-Kombination nach F i
g. 2, lang (= L) oder kurz (= 0) ist. Eine solche Erweiterung
der Kodierung kann unter anderem dazu herangezogen werden, gewisse Konsonanten,
wie etwa s, die unter Umständen sehr stimmhaft ausgesprochen werden, von
Vokalen sicherer zu unterscheiden. Ferner kann auch die Häufigkeit, mit der die
einzelnen Lautgruppen auftreten, zur Erkennung mit herangezogen werden. Hierfür
wären z. B. Zähler einzusetzen, die den einzelnen Lautgruppen zugeordnet sind und
bei jedesmaligem Auftreten der Lautgruppe innerhalb eines Wortes um eine Einheit
weiterzählen. Ihr Zählergebnis wird dann ein Bestandteil der Wortkodierung. Die
bei derartigen Erweiterungen der Wortkodierung vorzunehmende Erweiterung des Entschlüsselungsschemas
und der Dekodierinatrix D läßt sich unter Betrachtung des im obigen Ausführungsbeispiel
angegebenen Prinzips ohne Schwierigkeiten durchführen.