DE19811879C1 - Einrichtung und Verfahren zum Erkennen von Sprache - Google Patents

Description

Die Erfindung betrifft eine Einrichtung zur Spracherkennung, bei der die Sprache wahlweise mittels eines sprechernahen Mi­ krofons in elektrische Signale gewandelt und über einen er­ sten Übertragungskanal einem Erkennungssystem oder mittels eines sprecherfernen Mikrofons in elektrische Signale gewan­ delt und über einen zweiten Übertragungskanal dem Erkennungs­ system zugeführt wird, und bei der das Erkennungssystem die mittels des jeweiligen Mikrofons aufgenommenen Sprachelemente mit zuvor in einer Trainingsphase gelernten Sprachelementen vergleicht und bei Übereinstimmung ein Erkennungssignal er­ zeugt. Ferner betrifft die Erfindung ein Verfahren zum Erken­ nen von Sprache.

Bei der Erkennung von Sprache oder von Sprachelementen be­ steht häufig, z. B. gemäß der DE-43 12 155 A1, die Schwierig­ keit, daß die über ein Mikrofon eingegebenen Sprachelemente von variierenden raumakustischen Größen überlagert sind. Das Übertragungsverhalten des Raumes kann somit die Erkennungsra­ te des Erkennungssystems erheblich beeinflussen. Die bisher realisierten Einrichtungen und Verfahren zur Spracherkennung berücksichtigen die Änderung der Übertragungsfunktion des Raumes nicht. Im allgemeinen wird bei den bisherigen Einrich­ tungen und Verfahren davon aus gegangen, daß die Übertragungs­ funktion bei der Übertragung von Sprache einer Person bis zur digitalen Aufzeichnung sowohl bei der Trainingsphase als auch bei der späteren Nutzung zur Spracherkennung, insbesondere bei sprecherabhängiger Spracherkennung, gleich bleibt. Bei der Erkennung von Sprache, beispielsweise über ein Telefon, ist eine solche Annahme jedoch praxisfremd, denn heutige Telefon­ systeme haben die Möglichkeit der Umschaltung zwischen einem sprechernahen Telefon, bei dem das Mikrofon des Telefonhörers nahe dem Mund des Sprechers gehalten wird, und einem spre­ cherfernen Mikrofon, bei dem in einem Freisprechzustand das Mikrofon Stimmen in einem vergrößerten Abstand aufnimmt. Der typische Abstand für ein sprechernahes Mikrofon liegt im Be­ reich von 0 bis 30 cm, d. h. es wird überwiegend der Direkt­ schall in elektrische Signale gewandelt. Beim sprecherfernen Mikrofon ist der Abstand größer und es vermischen Schallele­ mente infolge von Echoeffekten, Wandreflexionen und Direkt­ schall. Wenn nun während der Trainingsphase das sprechernahe Mikrofon verwendet und im späteren Gebrauch das sprecherferne Mikrofon eingesetzt wird, so sinkt die Erkennungsrate bereits aufgrund der unterschiedlichen Raumübertragungsfunktionen in­ folge der unterschiedlichen Übertragungsstrecken.

Es ist Aufgabe der Erfindung, eine Einrichtung und ein Ver­ fahren zur Spracherkennung anzugeben, das unabhängig vom Ab­ stand des Sprechers zu einem Mikrofon mit hoher Zuverlässig­ keit arbeitet.

Diese Aufgabe wird für eine Einrichtung durch die Merkmale des Anspruchs 1 und für ein Verfahren durch die Merkmale des Anspruchs 9 gelöst. Vorteilhafte Weiterbildungen sind in den abhängigen Ansprüchen angegeben.

Gemäß der Erfindung wird in den ersten Übertragungskanal eine Korrektureinheit geschaltet, die das elektrische Signal so abändert, daß es Raumübertragungseigenschaften enthält. Es wird also die Sprache, welche über ein sprechernahes Mikrofon eingegeben wird, im elektrischen Signal so abgeändert, daß es die Eigenschaften hat, wie die Sprache, welche über das spre­ cherferne Mikrofon eingegeben worden ist. Durch die Korrek­ tureinheit werden also die raumakustischen Einflüsse für eine relativ große Sprachübertragungsstrecke nachgebildet. Bei­ spielsweise werden durch die Korrektureinheit Schallreflexio­ nen an nahen Objekten und oder das Nachhallen in Räumen nach­ gebildet.

Ein Ausführungsbeispiel der Erfindung wird im folgenden an­ hand der Zeichnung erläutert. Darin zeigt:

Fig. 1 eine Einrichtung zur Spracherkennung, wobei die Sprache über ein Telefon eingegeben wird, und

Fig. 2 eine Einrichtung nach Fig. 1 mit adaptiven Filtern.

Fig. 1 zeigt eine Einrichtung zur Spracherkennung, bei der die Sprache durch eine Person 10 mittels eines Telefons ein­ gegeben wird. Im oberen, ersten Übertragungskanal 12 wird die Sprache durch ein sprechernahes Mikrofon 14, beispielsweise mit dem Handsprechapparat, eingegeben. Die Sprache wird durch das Mikrofon 14 in ein elektrisches Signal gewandelt und durch einen Verstärker 16 vorverstärkt. Eine Korrektureinheit 15 ändert das elektrische Signal derart ab, daß es Übertra­ gungeigenschaften eines Raumes mit einer Übertragungsstrecke größer als der Nahbereich hat. Beispielsweise bildet diese Korrektureinheit 15 das Nachhallen in Räumen und/oder die Schallreflexionen an nahen Objekten innerhalb der Sprachüber­ tragungsstrecke nach. Derartige Schallreflexionen können bei­ spielsweise von einer Tischplatte, von einem Bildschirm oder von anderen Gegenständen herrühren. Das Nachhallen in Räumen rührt dagegen von Reflexionen an relativ weit entfernten Ob­ jekten, wie beispielsweise von den Wänden des Raumes. Das durch die Korrektureinheit 15 geänderte elektrische Signal durchläuft ein Kompensationsfilter 16, das zur Kompensation variierender Mikrofon- und Verstärker-Frequenzgänge dient. Das elektrische Signal wird dann einem Datenverarbeitungssy­ stem 17 zugeführt, welches die weitere digitale Verarbeitung zur Spracherkennung vornimmt.

Im unteren Bildteil der Fig. 1 ist die Eingabe von Sprach­ elementen über eine Freisprechanlage dargestellt. Die Sprache der Person 10 wird durch eine spezielle Raumübertragungsfunk­ tion RÜF verändert, d. h. die vom Sprecher 10 am Mikrofon 20 ankommenden Sprachelemente sind beispielsweise durch Schall­ reflexionen an nahen Objekten und durch das Nachhallen in Räumen und gegebenenfalls durch Fremdgeräusche überlagert. Das elektrische Signal des sprecherfernen Mikrofons 20 wird durch einen Vorverstärker 22 vorverstärkt und gelangt zu ei­ nem Kompensationsfilter 24 zur Kompensation variierender Mi­ krofon- und Verstärkerfrequenzgänge. Das so gefilterte elek­ trische Signal wird der Datenverarbeitungsanlage 17 zur Spracherkennung zugeführt.

Beim Betrieb der in Fig. 1 gezeigten Einrichtung werden wäh­ rend einer Trainingsphase Sprachproben in der Datenverarbei­ tungsanlage 17 abgespeichert. Beispielsweise kann mithilfe solcher Sprachproben ein persönliches Telefonbuch aufgebaut werden. Hierzu wird während der Trainingsphase der Name eines Teilnehmers mindestens zweimal gesprochen und mit der zum Namen gehörenden Telefonnummer in einem persönlichen Telefon­ buch abgelegt. Nach Ablauf der Trainingsphase wird in der Nutzungsphase der Name erneut eingegeben, wobei die Datenver­ arbeitungsanlage 17 mithilfe von Erkennungsmethoden, bei­ spielsweise der Spektralanalyse oder der LPC-Ceptralanalyse, versucht, diesen Namen aufgrund der zuvor abgespeicherten Namen wiederzuerkennen und bei positivem Resultat die unter diesem Namen gespeicherte Telefonnummer aus zugeben und die Telefonverbindung aufzubauen. Nachdem im Übertragungskanal 12 die Korrektureinheit 14 ein elektrisches Sprachsignal er­ zeugt, welches dieselben Raumeigenschaften hat wie das Sprachsignal des zweiten Übertragungskanals 19, spielt es für die Spracherkennung keine Rolle, ob während der Trainingspha­ se oder während der Wiedererkennungsphase dasselbe Mikrofon 14 bzw. 20 verwendet wird. Durch die Korrektureinheit 15 ist es also möglich, das Telefon sowohl mit dem Handapparat als auch im Zustand Freisprechen zu benutzen.

Fig. 2 zeigt eine Variante der Einrichtung nach Fig. 1. Im Unterschied zur Einrichtung nach Fig. 1 ist die Korrektur­ einheit 15 als adaptives Filter ausgebildet, d. h. die Filter­ parameter werden abhängig von den aufgenommenen Audiosignalen variiert. Auf diese Weise kann die Erkennungsrate erhöht wer­ den. Auch die Kompensationsfilter 18 bzw. 24 in den beiden Übertragungskanälen 12 bzw. 19 sind als adaptive Filter aus­ gebildet; ihre Filterparameter werden abhängig von den aufge­ nommenen Audiosignalen eingestellt.

Claims (11)

1. Einrichtung zur Spracherkennung,
bei der die Sprache wahlweise mittels eines sprechernahen Mikrofons (14) in elektrische Signale gewandelt und über ei­ nen ersten Übertragungskanal (12) einem Erkennungssystem (17)
oder mittels eines sprecherfernen Mikrofons (20) in elektri­ sche Signale gewandelt und über einen zweiten Übertragungska­ nal (19) dem Erkennungssystem (17) zugeführt wird,
und bei der das Erkennungssystem (17) die mittels des jewei­ ligen Mikrofons (14, 20) aufgenommenen Sprachelemente mit zuvor in einer Trainingsphase gelernten Sprachelementen ver­ gleicht und bei Übereinstimmung ein Erkennungssignal erzeugt,
dadurch gekennzeichnet, daß in den ersten Übertragungskanal (12) eine Korrektureinheit (15) geschaltet ist,
welche das elektrische Signal so abändert, daß es Raumüber­ tragungseigenschaften hat, wie sie bei der Aufnahme mit einem sprecherfernen Mikrofon auftreten.

2. Einrichtung nach Anspruch 1, dadurch gekennzeichnet, daß die Korrektureinheit (15) Schallreflexionen an nahen Objekten nachbildet.

3. Einrichtung nach Anspruch 1 oder 2, dadurch gekennzeich­ net, daß die Korrektureinheit (15) das Nachhallen in Räumen nachbildet.

4. Einrichtung nach einem der vorhergehenden Ansprüche, da­ durch gekennzeichnet, daß die Korrektureinheit (15) als sta­ tionäres oder als adaptives Filter ausgebildet ist.

5. Einrichtung nach Anspruch 4, dadurch gekennzeichnet, daß am adaptiven Filter (15) die Filterparameter abhängig von den aufgenommenen Audiosignalen eingestellt werden.

6. Einrichtung nach einem der vorhergehenden Ansprüche, da­ durch gekennzeichnet, daß der erste Übertragungskanal (12) und der zweite Übertragungskanal (19) jeweils einen Vorver­ stärker (16, 22) für das Mikrofon (14, 20) enthalten.

7. Einrichtung nach einem der vorhergehenden Ansprüche, da­ durch gekennzeichnet, daß jeder Übertragungskanal (12, 19) ein Kompensationsfilter (18, 24)) zur Kompensation variieren­ der Mikrofon- und Verstärkerfrequenzgänge enthält.

8. Einrichtung nach einem der vorhergehenden Ansprüche, da­ durch gekennzeichnet, daß das Erkennungssystem (17) als Spracherkennungsverfahren die Spektralanalyse oder die LPG- Ceptralanalyse anwendet.

9. Verfahren zum Erkennen von Sprache,
bei dem die Sprache wahlweise mittels eines sprechernahen Mikrofons (14) in elektrische Signale gewandelt und über ei­ nen ersten Übertragungskanal (12) einem Erkennungssystem (17)
oder mittels eines sprecherfernen Mikrofons (20) in elektri­ sche Signale gewandelt und über einen zweiten Übertragungska­ nal (19) dem Erkennungssystem (17) zugeführt wird,
und bei dem im Erkennungssystem (17) die mittels des jeweili­ gen Mikrofons (14, 20) aufgenommenen Sprachelemente mit zuvor in einer Trainingsphase gelernten Sprachelementen verglichen und bei Übereinstimmung ein Erkennungssignal erzeugt wird,
dadurch gekennzeichnet, daß in den ersten Übertragungskanal (12) eine Korrektureinheit (15) geschaltet wird, wobei das elektrische Signal so abgeändert wird, daß es Raumüber­ tragungseigenschaften hat, wie sie bei Aufnahme mit dem spre­ cherfernen Mikrofon auftreten.

10. Verfahren nach Anspruch 9, dadurch gekennzeichnet, daß durch die Korrektureinheit (15) Schallreflexionen an nahen Objekten nachgebildet werden.

11. Verfahren nach Anspruch 9 oder 10, dadurch gekennzeich­ net, daß durch die Korrektureinheit (15) das Nachhallen in Räumen nachgebildet wird.