DE19952538C2 - Automatische Verstärkungsregelung in einem Spracherkennungssystem - Google Patents

Automatische Verstärkungsregelung in einem Spracherkennungssystem

Info

Publication number
DE19952538C2
DE19952538C2 DE19952538A DE19952538A DE19952538C2 DE 19952538 C2 DE19952538 C2 DE 19952538C2 DE 19952538 A DE19952538 A DE 19952538A DE 19952538 A DE19952538 A DE 19952538A DE 19952538 C2 DE19952538 C2 DE 19952538C2
Authority
DE
Germany
Prior art keywords
energy
distorted
interval
speech
running
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
DE19952538A
Other languages
English (en)
Other versions
DE19952538A1 (de
Inventor
Michael D Monkowski
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nuance Communications Inc
Original Assignee
International Business Machines Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by International Business Machines Corp filed Critical International Business Machines Corp
Publication of DE19952538A1 publication Critical patent/DE19952538A1/de
Application granted granted Critical
Publication of DE19952538C2 publication Critical patent/DE19952538C2/de
Anticipated expiration legal-status Critical
Expired - Fee Related legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/20—Speech recognition techniques specially adapted for robustness in adverse environments, e.g. in noise, of stress induced speech
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/02—Feature extraction for speech recognition; Selection of recognition unit

Landscapes

  • Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Compression, Expansion, Code Conversion, And Decoders (AREA)

Description

Hintergrund der Erfindung 1. Bereich der Erfindung
Die vorliegende Erfindung bezieht sich auf Spracherkennungssysteme. Insbesondere zielt die Erfindung auf ein System und ein Verfahren zur Normierung eines Sprachsignals in einem Sprach-Präprozessor zur Eingabe in ein Spracherkennungssystem.
2. Diskussion des Standes der Technik
Eine wohlbekannte Aufgabe für Spracherkennungssysteme (nachstehend SR-Systeme genannt) besteht in der Normierung des zu verarbeitenden Sprachsignals, einschließlich seiner Energie. Die Normierung eines Sprachsignals ermöglicht den erfolgreichen Vergleich der unbekannten gesprochenen Information mit gespeicherten Mustern oder Modellen. Der Prozess der Energienormierung umfasst im allgemeinen die Beseitigung der Langzeitschwankungen und einer Verzerrung in der Energie des Sprachsignals unter Beibehaltung der Kurzzeitschwankungen, die die phonetische Information darstellen. Der Prozess der Energienormierung verstärkt die Genauigkeit des SR-Systems proportional zum Grad der angewendeten Normierung.
Die unerwünschten Langzeitschwankungen der Energie eines Sprachsignals können typischerweise unterschiedliche Ursachen haben. Eine übliche Quelle der Energieschwankung sind die Schwankungen der Verstärkung und der Aufstellung des Mikrophons. Gegenwärtige SR-Systeme sind sehr empfindlich gegen Schwankungen sowohl der Verstärkung als auch der. Aufstellung des Mikrofons. Ungeeignete Verstärkung bzw. Aufstellung führen zu höheren Fehlerraten. Gegenwärtig besteht die einzige Möglichkeit zur Anpassung des SR-Systems darin, eine Offline-Einstellung des Mikrophons zu benutzen, um die Verstärkung einzustellen. Dies bringt jedoch verschiedene Nachteile mit sich. Erstens ist sie eine zusätzliche Belastung des Nutzers. Zweitens misst sie die Audioqualität nicht online und stellt somit nicht die Veränderungen fest, die seit der Einstellung des Systems auftraten. Drittens misst sie nicht die Eigenschaft, die für das SR-System am wichtigsten ist: das aktuelle Signal-Rausch- Verhältnis.
Zusätzliche zur Energieschwankung beitragende und damit zu höheren Fehlerraten führende Faktoren umfassen die Intensität der Sprache des Sprechers, die typischerweise einen großen dynamischen Bereich ausmacht. Ein weiteres allgemeines Problem besteht darin, dass verschiedene Sprecher unterschiedliche Lautstärkepegel besitzen. Demzufolge müssen die Schwankungen der Amplitude oder der Energie, die zwischen verschiedenen Äußerungen des gleichen Wortes oder Satzes durch verschiedene Sprecher oder selbst durch den gleichen Sprecher zu verschiedenen Zeiten auftreten, beseitigt oder wenigstens verringert werden.
Beim bisherigen Stand der Technik wurden Hardware-Lösungen in Form von automatischen Verstärkungsregelungen auf Soundkarten benutzt, um die Energienormierung von Rohsignalen zu erreichen. Es wurde allerdings nachgewiesen, dass der Normierungsgrad, der von solchen Karten bereitgestellt wird, für die Zwecke der Spracherkennung ungeeignet ist.
Beim bisherigen Stand der Technik wurde auch ein unverzerrter Mittelwert benutzt; da aber die relativen Anteile von Sprechen, Schweigen und Rauschen innerhalb des Signals nicht vorher bekannt sind, ist ein unverzerrter Mittelwert keine zuverlässige Norm. Der Spitzenwert der Energie ist eine zuverlässigere Norm, es gibt jedoch einen dabei auftretenden Nachteil bei der Verfolgung der Spitzenenergie, der darin besteht, dass das System darunter leiden kann, dass es zu empfindlich für momentane Energieschwankungen ist. Es ist deshalb wünschenswert, einen zuverlässigen Indikator für die Spitzenenergie zu haben, ohne übermäßig empfindlich zu sein für Spitzenenergieänderungen.
Ein weiteres allgemeines Problem, das mit der Energienormierung zusammenhängt, ist die Erkennung von Sprechpausen. Wegen der atmosphärischen Störungen im Hintergrund ist die Signalenergie kein guter Indikator für Schweigezeitabschnitte. Die atmosphärischen Störungen in einem System könnten sich auf dem Sprachniveau eines anderen Systems befinden. Da man keine Kontrolle über die benutzten Soundkarten und Mikrophone hat, ist es deshalb wünschenswert, ein alternatives Maß für den Schweigepegel zu haben.
Europäische Patentschrift EP 0 140 249 beschreibt eine Sprachanalyse mit Energienormierung, die auf einer "Vorgriffsenergienormierung" (look ahead) beruht. Hierbei wird ein adaptiver Energieverfolgungswert über mehrere Frames eines Abschnittes einer Sprachanalyse zur Anpassung verwendet. Diese Frames werden eine bestimmte Zeitspanne zwischengespeichert und dann mittels des "gegenwärtigen adaptiven Energieverfolgungswerts" angepasst. Die Energienormierung ist eine Vorgriffsenergienormierung, d. h. dass ältere Frames eines Sprachabschnitts werden mittels eines gegenwärtigen adaptiven Energieverfolgswerts angepasst.
ZUSAMMENFASSUNG DER ERFINDUNG
Es ist deshalb eine allgemeine Aufgabe der vorliegenden Erfindung, ein System und ein Verfahren der Sprachsignal­ ormierung zur Beseitigung oder Verringerung der Schwankungen der Signalenergie vor einem Spracherkennungsprozess zu entwickeln.
Diese Aufgabe wird gelöst durch einen Spracherkennung- Präprozessor nach Anspruch 1, ein Verfahren zur Normierung der Energie in einem Sprachsignal nach Anspruch 5 und durch ein Verfahren zur Energienormierung in einem PCM-Sprachsignal nach Anspruch 12. Dabei wird die Energie in einem Sprachsignal normiert, indem die Langzeitschwankungen und die Verzerrung in der Energie des Signals beseitigt werden, während die Kurzzeitschwankungen, die die phonetische Information darstellen, zurückbehalten werden. Ein Verfahren der vorliegenden Erfindung konstruiert mehrere verschiedene Energiespuren, vorzugsweise eine Spur mit hoher, mittlerer und niedriger Energie. Die Werte werden mathematisch geglättet und dann benutzt, um die obere und untere Energieeinhüllende des Sprachsignals zu verfolgen. Die geglättete Spur für die hohe Energie wird benutzt, um die Energie im Signal zu normieren. Weitere vorteilhafte Ausgestaltungen der Erfindung sind in den Unteransprüchen angegeben.
Die Erfindung und ihre Funktionsweise wird aus der folgenden Beschreibung der bevorzugten Ausführungsformen und aus den beigefügten Zeichnungen besser ersichtlich.
Kurze Beschreibung der Zeichnungen
Fig. 1 ist ein Blockdiagramm eines Spracherkennungs- Präprozessors entsprechend der vorliegenden Erfindung, in Verbindung mit einem Spracherkennungs-Prozessor.
Fig. 2 zeigt eine Musterkonstruktion einer PCM-Wellenform und eines zugehörigen Beobachtungsfensters für die Anwendung der vorliegenden Erfindung.
Fig. 3 ist ein Flussdiagramm, das die Beseitigung der Langzeitschwankungen und der Verzerrung in der Energie eines Sprachsignals entsprechend der vorliegenden Erfindung zeigt.
Ausführliche Beschreibung der bevorzugten Ausführungsformen
Die spezielle Software-Realisierung der vorliegenden Erfindung sollte nicht als Einschränkung gesehen werden, weil die vorliegende Erfindung entweder ganz oder teilweise durch Hardware realisiert werden kann.
Wir beziehen uns zuerst auf Fig. 1, wo ein Blockdiagramm eines Spracherkennungs-Präprozessors 100 dargestellt ist, auf den die vorliegende Erfindung angewendet wird, zusammen mit einem Spracherkennungssystem 114. Der Spracherkennungs-Präprozessor 100 enthält ein Analysemodul 102, das betriebsmäßig mit einem Modul 104 zur Verfolgung der Energie verbunden ist. Das Modul zur Verfolgung der Energie 104 ist betriebsmäßig mit einem Berechnungsmodul 110 für normierte Energie und einem Messmodul 106 verbunden. Das Modul 110 für normierte Energie ist mit dem Spracherkennungs-Prozessor 114 verbunden. Das Messmodul 106 ist mit einem Messanzeigemodul 108 verbunden.
Das Analysemodul 102 erhält ein PCM-Sprachsignal als Eingabe. Das Analysemodul 102 teilt das PCM-Sprachsignal in eine Vielzahl aufeinanderfolgender nichtüberlappender Felder. Jedes Feld repräsentiert eine feste Zeitscheibe der PCM-Wellenform, die eine gewisse Anzahl von digitalen Abtastwerten enthält. Die geteilte PCM-Wellenform wird an das Modul 104 zur Verfolgung der Energie übergeben.
Das Modul 104 zur Verfolgung der Energie erhält die in Felder unterteilten Daten der PCM-Wellenform als Eingabe und konstruiert ein Beobachtungsfenster, das mit diskreten Verschiebungsinkrementen zu den Zeitpunkten (t, t + delta, t + (2.delta), . . . usw.) über die gesamte Wellenform inkrementell verschoben wird. Bei jedem Verschiebungsinkrement des Beobachtungsfensters sind ein oder mehrere Felder der PCM- Wellenform im Beobachtungsfenster enthalten. Bei jedem Verschiebungsinkrement des Beobachtungsfensters wird aus den Felddaten, die sich im Fenster befinden, ein Eigenschaftsvektor berechnet. Eine der berechneten Eigenschaften des Eigenschaftsvektors ist die RIAS-Energie des Sprachsignals, vorzugsweise in Dezibel gemessen. Zusätzlich zur RMS-Energie wird auch der nullte Cepstrum-Koeffizient CO als Teil des Eigenschaftsvektors berechnet. Das Verfahren kann entweder die RMS-Energie oder CO benutzen, um die momentane Energie des Signals darzustellen. Die berechnete Energieeigenschaft wird benutzt, um mehrere Energiespuren zu berechnen, vorzugsweise hoch, mittel und niedrig. Die obere Energiespur Ahigh(t) wird berechnet, um die obere Einhüllende der Signalenergie zu verfolgen, die mittlere Energiespur Amid(t) wird berechnet, um die durchschnittliche Signalenergie zu verfolgen, und die untere Energiespur Alow(t) wird berechnet, um die untere Einhüllende der Signalenergie zu verfolgen. Die hohen und niedrigen Energiespuren werden berechnet, indem zwei gewichtete Terme addiert werden, in denen sich die Gewichtskoeffizienten an Veränderungen in der aktuell beobachtbaren Signalenergie für das aktuelle Verschiebungsinkrement anpassen. Die mittlere Energiespur benutzt konstante nicht adaptierbare Gewichtskoeffizienten. Jede der drei Energiespuren hat die allgemeine Form einer laufenden Summe, die wie folgt definiert wird:

current_running_sum(t) = (previous_running_sum(t - 1).w1) + (currently_observed_value(t).(1 - w1))
aktuelle_laufende_summe(t) = (vorherige_laufende_summe(t - 1).w1) + (aktueller_beobachteter_wert(t).(1 - w1)) [Gl. 1]
Die Variablen (t) und (t - 1) stellen die Zeitpunkte des Verschiebungsinkrements dar, die dem Beobachtungsfenster zugeordnet sind, wobei die Zeit (t) die Zeit darstellt, die einem aktuellen Verschiebungsinkrement zugeordnet ist, und die Zeit (t - 1) stellt die Zeit dar, die dem letzten Verschiebungsinkrement des Beobachtungsfensters zugeordnet ist. Weiterhin ist Gleichung 1 rekursiv, wodurch die vorherige laufende Summe zur Zeit (t - 1) zu einem aktuell zur Zeit (t) beobachteten Wert addiert wird, um eine laufende Summe zum Zeitpunkt (t) zu erhalten. Weiterhin stellen sowohl die aktuelle als auch die vorhergehende laufende Summe Mittelwerte dar. Die oberen, mittleren und unteren Energiespuren als solche, die im allgemeinen durch Gleichung 1 dargestellt werden, werden nachstehend jeweils als oberer verzerrter laufender Mittelwert, als unverzerrter laufender Mittelwert und als unterer verzerrter laufender Mittelwert bezeichnet. Die Einzelheiten, die bei der jeweiligen Berechnung von jeder der drei Energiespuren auftreten, werden nachstehend angegeben.
Nach der Berechnung des oberen verzerrten, unverzerrten und unteren verzerrten laufenden Mittelwertes berechnet das Modul 104 zur Verfolgung der Energie weiterhin geglättete Werte sowohl für den oberen als auch den unteren verzerrten laufenden Mittelwert im Logbereich - Epeak(t) und Efloor(t). Die geglätteten Werte messen die oberen bzw. unteren Energieeinhüllenden der PCM-Wellenform. Die geglätteten Werte werden aber nicht unterschiedslos bei jedem Verschiebungsinkrement berechnet, sie werden statt dessen selektiv bei jedem Verschiebungsinkrement berechnet, in Abhängigkeit davon, ob die Felddaten, die sich für das aktuelle Verschiebungsinkrement im Beobachtungsfenster befinden, als Sprach- oder Schweigeintervall charakterisiert sind. Um dies festzustellen, liefert das Modul 104 zur Verfolgung der Energie den unverzerrten laufenden Mittelwert Amid(t) und den unteren verzerrten laufenden Mittelwert Alow(t) als Eingabe für das Modul 112 zur Unterscheidung von Sprache und Schweigen. Das Modul 112 zur Unterscheidung von Sprache und Schweigen vergleicht den unverzerrten laufenden Mittelwert mit dem unteren verzerrten laufenden Mittelwert, und immer wenn der unverzerrte laufende Mittelwert innerhalb eines bestimmten vordefinierten Schwellwertes Athresh des unteren verzerrten laufenden Mittelwertes liegt, wird dieses Intervall als Schweigeintervall gekennzeichnet. In gleicher Weise wird das Intervall als Sprachintervall gekennzeichnet, wenn der unverzerrte laufende Mittelwert Amid(t) um den vorher definierten Schwellwert Athresh größer ist als der untere verzerrte laufende Mittelwert. Das Ergebnis der Bestimmung von Sprache und Schweigen wird als Eingabe dem Modul 104 zur Verfolgung der Energie bereitgestellt, um zu sichern, dass der obere verzerrte geglättete Wert Epeak(t) nur für die Intervalle aktualisiert wird, die als Sprachintervalle gekennzeichnet wurden. Dementsprechend aktualisiert das Modul 104 zur Verfolgung der Energie den unteren verzerrten geglätteten Wert Efloor(t) nur für die Intervalle, die als Schweigintervalle bestimmt wurden. Das selektive Aktualisieren der oberen und unteren verzerrten geglätteten Werte erleichtert die optimale Verfolgung der oberen und unteren Energieeinhüllenden. Für Sprachintervalle wird der geglättete untere verzerrte laufende Mittelwert Efloor(t) konstant (gegattert) gehalten, auf dem Wert, der für das letzte Schweigintervall berechnet wurde. Dementsprechend wird für die Schweigintervalle der geglättete obere verzerrte laufende Mittelwert Epeak(t) konstant (gegattert) gehalten, auf dem Wert, der für das letzte Sprachintervall berechnet wurde. Wenn die Gatteroperation nicht ausgeführt würde, dann würde der geglättete hohe verzerrte laufende Mittelwert Epeak(t) schließlich während langer Schweigesegmente auf das Niveau ohne Sprache abfallen. In ähnlicher Weise würde der untere verzerrte laufende Mittelwert Efloor(t) schließlich während langer Sprachsegmente auf die Sprachniveaus ansteigen. Die Einzelheiten der Unterscheidung jedes Intervalls als Sprach- oder Schweigeintervall wird in Verbindung mit der bevorzugten Ausführungsform beschrieben.
Das Modul 104 zur Verfolgung der Energie liefert die geglätteten oberen und unteren verzerrten laufenden Mittelwerte Epeak(t) und Efloor(t) an das Messmodul 106 und außerdem Epeak(t) und die momentane beim aktuellen Verschiebungsinkrement beobachtete Energie an das Berechnungsmodul 110 für normierte Energie.
Das Messmodul 106 benutzt die bereitgestellten Eingaben, um einen Schätzwert für das Spitzen-S/N-Verhältnis und eine Zahl für das absolute Grundrauschen für das aktuelle Verschiebungsinkrement zu berechnen. Das S/N-Verhältnis und die absoluten Werte des Grundrauschens werden ihrerseits als Eingabe an ein Anzeigemodul 108 übergeben, um dem Nutzer des Spracherkennungssystems (SR) eine Rückkopplung als Hinweis auf dessen Audioqualität zur Verfügung zu stellen.
Der geglättete obere verzerrte laufende Mittelwert Epeak(t) wird als Eingabe an das Modul 110 für die normierte Signalenergie übergeben, um die normierte Signalenergie Enorm(t) für das aktuelle Verschiebungsinkrement zu berechnen. Enorm(t) wird berechnet, indem die Energieeigenschaft, entweder die RMS- Energie oder CO, von Epeak(t) subtrahiert wird. Das Ergebnis wird dann als Eingabe an das Spracherkennungsmodul 114 zur Verarbeitung übergeben.
Wir beziehen uns auf Fig. 2, wo eine exemplarische Ausführungsform der vorliegenden Erfindung veranschaulicht wird. Fig. 2 zeigt ein PCM-Sprachsignal 2 als eine Reihe aufeinanderfolgender Felder 4. Jedes Feld stellt eine Zeitscheibe von 1/100 Sekunde der PCM-Wellenform dar. Es wird auch ein Beobachtungsfenster 6 mit einer Breite von 2/100 Sekunden gezeigt, das inkrementell vom Anfang bis zum Ende in Verschiebungsinkrementen von 1/100 Sekunden über die PCM- Wellenform verschoben wird. Die exemplarische Ausführungsform veranschaulicht ein Beobachtungsfenster, das die doppelte Breite eines Feldes besitzt. Wenn man diese jeweiligen Breiten und den Wert für das Verschiebungsinkrement voraussetzt, dann wird jedes Feld zweimal abgetastet.
Wir beziehen uns jetzt auf Fig. 3, wo ein Flussdiagramm die Schritte des Verfahrens zeigt, die bei jedem Verschiebungsinkrement des Beobachtungsfensters ausgeführt werden. Beginnend mit Schritt 40 wird eine Anzahl von Parametern zum Zeitpunkt 0 initialisiert, sie umfassen eine Verfolgungszeitkonstante Tt, eine Glättungszeitkonstante Ts, eine Anzeigezeitkonstante Td, eine Kontrastanpassung für verzerrte Gewichtung K, ein erwarteter maximaler beobachteter Wert Emax, ein erwarteter minimaler beobachteter Wert Emin, ein Rauschschwellwert für die Unterscheidung von Sprache und Schweigen Ethresh, gemessen in dB, und durch Umwandlung in den linearen Bereich Athresh.
Zusätzlich zur Initialisierung der Parameter wird eine Anzahl von Anfangsbedingungen festgelegt, sie enthalten Anfangswerte für den oberen verzerrten laufenden Mittelwert Ahigh(0), der auf den Wert von Emin im linearen Bereich, das erwartete beobachtete Minimum, initialisiert wird; einen mittleren verzerrten laufenden mittleren Anfangswert Amid(0), der auch auf Emin initialisiert wird; und einen Anfangswert für die untere verzerrte laufende mittlere Energiespur Alow(0), die auf den Wert von Emax im linearen Bereich, den erwarteten maximalen beobachteten Wert, initialisiert wird. Weitere Anfangswerte umfassen die gegatterte und geglättete obere Energiespur Epeak(0), die auf Emax initialisiert wird, und Efloor(0), die gegatterte und geglättete untere Spur, die auf (Emax + Emin)/2 initialisiert wird. Die Anzeige des Signal-Rausch-Verhältnisses DS/N(0) wird ebenso auf null gesetzt wie die Anzeige des Grundrauschens Dnoise(0).
Weiterhin wird zum Zeitpunkt null die Abtastrate von 22k Abtastungen/s für die PCM-Wellenform initialisiert, und das Beobachtungsfenster wird so positioniert, dass es die ersten zwei Felder der Wellenformdaten enthält.
In der exemplarischen Ausführungsform ergibt die Abtastung der PCM-Wellenform mit einer Rate von 22k Abtastungen pro Sekunde für eine Dauer des Verschiebungsinkrements von 1/100 Sekunde 440 Abtastwerte, wenn eine Breite des Beobachtungsfensters von 2/100 Sekunden gegeben ist (zwei Felder).
In Schritt 41 wird das Beobachtungsfenster um 1/100 Sekunde verschoben (d. h. ein Verschiebungsinkrement längs der PCM- Wellenform). Wir beziehen uns nun auf Fig. 2, wo ein Beobachtungsfenster 6 anfänglich so positioniert wird, dass es sich an einem Anfang der PCM-Wellenform zum Zeitpunkt t = 0 befindet. Das Beobachtungsfenster bewegt sich zeitlich von einem ersten Feld zu einem letzten Feld der PCM-Wellenform in diskreten Verschiebungsinkrementen. Fig. 2 veranschaulicht eine Startposition des Beobachtungsfensters 6 und zwei aufeinanderfolgende Verschiebungsinkremente 8 und 10, wobei in der exemplarischen Ausführungsform jedes Verschiebungsinkrement äquivalent zur zeitlichen Verschiebung des Beobachtungsfensters um 1/100 Sekunde ist.
In Schritt 42 wird aus den 440 Abtastwerten ein Eigenschaftsvektor berechnet, wobei eine der berechneten Eigenschaften die RMS-Energie des Sprachsignals Eobs ist, ein in Dezibel gemessener Wert des Log-Bereiches. Zusätzlich zur RMS- Energie wird auch C0, der nullte Cepstrum-Koeffizient als Teil des Eigenschaftsvektors berechnet. Das Verfahren kann entweder die RMS-Energie oder C0 benutzen, um die Augenblicksenergie des Signals zu berechnen. In der exemplarischen Ausführungsform geschieht die Verfolgung im linearen Bereich (Aobs), andere Ausführungsformen können die Augenblicksenergie entweder im linearen Bereich oder im Log-Bereich verfolgen. Die Umwandlung vom Log-Bereich (gemessen in Dezibel) in den linearen Bereich ist durch Gleichung 2 wie folgt gegeben:
Die Konstante K bestimmt die Größe der Verzerrung, die für die Berechnung der laufenden Summen benutzt wird, und die übrigen Terme skalieren die Energie, so dass sie im Bereich von 0 bis 1 liegt und somit entweder die RMS-Energie oder C0 verwendet werden kann.
Zusätzlich zur Berechnung eines Eigenschaftsvektors werden bei jedem Verschiebungsinkrement die oberen, mittleren und unteren laufenden Mittelwerte berechnet. Die Berechnung des oberen verzerrten laufenden Mittelwertes Ahigh(t) geschieht wie folgt:
Ahigh(t) = (Whigh(t).Aobs(t)) + ((1 - Whigh(t))­ .Ahigh(t - 1)) [Gl. 3]
Die Berechnung des unteren verzerrten laufenden Mittelwertes Alow(t) geschieht wie folgt:
Alow(t) = (Wlow(t).Aobs(t)) + ((1 - Wlow(t))­ .Alow(t - 1)) [Gl. 4]
Dabei stellen Whigh(t) und Wlow(t) in den Gleichungen 3 und 4 einstellbare Gewichtskoeffizienten dar.
Whigh(t) und Wlow(t) werden jeweils wie folgt berechnet:
Whigh(t) = min(1.0, (Aobs(t)/Ahigh((t - 1))2/Tt) [Gl. 5]
Wlow(t) = min(0.5, (Alow(t - 1)/Aobs(t))2/Tt) [Gl. 6]
Die Gleichungen 5 und 6 veranschaulichen, wie sich die Gewichtskoeffizienten bei jedem Verschiebungsinkrement anpassen, als Reaktion auf die relative Größe der momentan beobachteten Amplitude Aobs(t) und die vorher berechneten oberen und unteren verzerrten laufenden Mittelwerte Ahigh(t - 1) bzw. Alow(t - 1). Diese Anpassungsfähigkeit bei jedem Verschiebungsinkrement ist vorteilhaft, weil die obere und die untere Energieeinhüllende genau verfolgt werden kann, indem die Gewichtskoeffizienten in Reaktion auf augenblickliche Schwankungen im Signalpegel angepasst werden.
Unter spezieller Bezugnahme auf Gleichung 3 und 5: wenn der aktuell beobachtete Wert Aobs(t) viel größer ist als Ahigh(t - 1), die obere verzerrte laufende Summe, die im vorhergehenden Intervall berechnet wurde, würde der Gewichtsmultiplikator Whigh(t) in Gleichung 5 nach oben korrigiert (d. h. auf einen Wert näher an 1), wodurch der Term Aobs(t) in Gleichung 3 ein proportional höheres Gewicht erhält.
Die Anpassung des Gewichtskoeffizienten, die bei jedem Verschiebungsinkrement für den unteren verzerrten laufenden Mittelwert Alow(t) durchgeführt wird, geschieht ähnlich zu der Anpassung, die für den oberen verzerrten laufenden Mittelwert beschrieben wurde, der Gewichtskoeffizient Wlow(t) wird jedoch so korrigiert, dass er sich an momentane Schwankungen in der unteren Energie des Sprachsignals anpasst. Insbesondere wird die relative Größe der momentan beobachteten Amplitude Aobs(t) mit dem vorher berechneten Mittelwert Alow(t - 1) verglichen, und wenn die Differenz groß ist, wird der Gewichtskoeffizientsmultiplikator als Reaktion darauf angepasst. Unter besonderer Bezugnahme auf Gleichung 4 und 6: wenn der laufende Beobachtungswert Aobs(t) viel kleiner als der vorher berechnete untere verzerrte laufende Mittelwert Alow(t - 1) ist, wird als Reaktion darauf der Gewichtsmultiplikator Wlow(t) nach oben angepasst, um sich schnell an die momentane große Veränderung in der unteren Signalenergie anzupassen.
Zusätzlich zur Berechnung eines oberen und unteren verzerrten laufenden Mittelwertes bei jedem Verschiebungsinkrement wird der unverzerrte laufende Mittelwert (mittlere Energiespur) Amid(t) berechnet und stellt den laufenden Mittelwert der Energie des Sprachsignals dar. Der unverzerrte laufende Mittelwert Amid(t) wird wie folgt berechnet:
Amid(t) = (Wmid.Aobs(t)) + ((1 - Wmid).Amid(t - 1)) [Gl. 7]
Die Berechnung des unverzerrten laufenden Mittelwertes stellt die durchschnittliche Energie der PCM-Wellenform dar und unterscheidet sich von den vorherigen Berechnungen des unteren und oberen verzerrten laufenden Mittelwertes dadurch, dass der Gewichtskoeffizient Wmid konstant ist und sich deshalb nicht bei jedem Verschiebungsinkrement ändert. Die Berechnung des unverzerrten laufenden Mittelwertes als solche wird somit als energieunabhängig bezeichnet. Der Gewichtsmultiplikator Wmid in der Gleichung wird wie folgt berechnet:
Wmid = 1/Tt [Gl. 8]
Dabei repräsentiert Tt die Verfolgungszeitkonstante, deren Wert typischerweise 0,1 s beträgt. Der Wert für Tt wird so gewählt, dass er kurz genug ist, um schnell auf Übergänge vom Schweigen zur Sprache zu reagieren, aber lang genug, um das Schweigen innerhalb von Worten, zum Beispiel Stoppkonsonanten oder Reibelaute mit niedriger Energie, zu ignorieren.
Schritt 50 ist ein Schritt zur Bestimmung des Unterschiedes zwischen Sprache und Schweigen. Das heißt, bei jedem Verschiebungsinkrement des Beobachtungsfensters wird bestimmt, ob der Teil der PCM-Wellenform (d. h. digitale Abtastwerte), der sich innerhalb der laufenden Position des Beobachtungsfensters befindet, ein Schweigeintervall oder ein Sprachintervall bildet. Um diese Bestimmung vorzunehmen, wird ein Vergleich zwischen dem unteren verzerrten laufenden Mittelwert Alow(t) und dem unverzerrten laufenden Mittelwert Amid(t) ausgeführt. Insbesondere wird das Intervall als ein Schweigeintervall gekennzeichnet, wenn der unverzerrte laufende Mittelwert Amid(t) weniger als ein bestimmter Schwellwert Athresh vom unteren verzerrten laufenden Mittelwert entfernt ist. Entsprechend wird das Intervall als Sprachintervall gekennzeichnet, wenn der unverzerrte laufende Mittelwert Amid(t) größer als der Schwellwert Athresh ist. Der Schwellwert Athresh wird wie folgt berechnet:
Athresh = 10(K.(Ethresh/(Emax-Emin))) [Gl. 9]
Dabei ist Ethresh die Rauschschwelle für die Bestimmung von Sprache/Schweigen, die niedrig genug ist, um Konsonanten mit niedriger Energie zu ignorieren, und hoch genug, um das Einsetzen von Schweigen schnell zu entdecken, zum Beispiel 5 dB. Emax und Emin sind die erwarteten maximalen bzw. minimalen Werte der Beobachtungen, zum Beispiel 80 dB und 0 dB.
Wenn das laufende Intervall als Sprachsignal bestimmt wird, dann geschieht eine Verzweigung zu Schritt 52. In Schritt 52 wird eine Glättungsoperation ausgeführt. Insbesondere wird der obere verzerrte laufende Mittelwert Ahigh(t) mathematisch geglättet, was Epeak(t) ergibt (nachstehend als gegatterter und geglätteter oberer verzerrter laufender Mittelwert bezeichnet).
In der beispielhaften Ausführungsform werden die drei Energiespuren (d. h. der obere, mittlere und untere verzerrte laufende Mittelwert) im linearen Bereich berechnet. Die zugehörigen geglätteten Werte für den oberen und unteren verzerrten laufenden Mittelwert werden jedoch im Log-Bereich berechnet. Zur Konvertierung des linearen oberen verzerrten laufenden Mittelwertes vom linearen Bereich in den Log-Bereich wird Gleichung 10 angegeben:
Ehigh(t) = Emin + (log10(Ahigh(t)).(Emax - Emin)/K)) [Gl. 10]
Unter Benutzung von Ehigh(t) wird dann der geglättete Wert für den oberen verzerrten Mittelwert (d. h. der gegatterte und geglättete obere verzerrte laufende Mittelwert) wie folgt berechnet:
Epeak(t) = (Wpeak(t).Ehigh(t)) + ((1 - Wpeak(t))­ .Epeak(t - 1)) [Gl. 11]
Dabei stellt Wpeak(t) den Gewichtskoeffizienten für die Berechnung von Epeak(t) dar und wird wie folgt berechnet:
Wpeak(t) = min[1,0, (Ehigh(t) - Emin)/­ (Epeak(t - 1) - Emin)))2/Ts] [Gl. 12]
Zum Zeitpunkt 0 wird der gegatterte und geglättete obere verzerrte laufende Mittelwert Epeak(0) anfänglich auf Emax gesetzt, den erwarteten Minimalwert der Beobachtungen, zum Beispiel 80 dB. Epeak(t) wird sich dann in den folgenden Verschiebungsinkrementen schnell an den korrekten Wert anpassen.
Der Wert von Epeak(t) wird nur in den Intervallen aktualisiert, die als Sprachintervalle bestimmt sind. Ansonsten wird der Wert von Epeak(t) für die Intervalle, die als Schweigeintervalle bestimmt wurden, auf dem Wert konstant gehalten, der zuletzt im jüngsten Sprachintervall aktualisiert wurde. Dies ist notwendig, weil, wenn der geglättete obere verzerrte laufende Mittelwert in Schweigesegmenten aktualisiert würde, sein Wert schließlich während langer Schweigesegmente auf den Schweigepegel fallen würde, wodurch seine Fähigkeit, die obere Energieeinhüllende optimal zu verfolgen, begrenzt würde.
In entsprechender Weise wird ein geglätteter unterer verzerrter laufender Mittelwert Efloor(t) in Schweigeintervallen aktualisiert und in Sprachintervallen konstant gehalten (gegattert). Das heißt, in Sprachintervallen wird der Wert auf dem Wert konstant gehalten, auf den er im jüngsten Schweigeintervall aktualisiert wurde. Das Gattern des gegatterten und geglätteten unteren verzerrten laufenden Mittelwertes Efloor(t) ist notwendig, weil sonst der geglättete Wert schließlich während langer Sprachsegmente auf Sprachpegel ansteigen würde.
Wenn im Bestimmungsschritt 50 bestimmt wird, dass das Intervall ein Schweigeintervall ist, dann wird zu Schritt 53 verzweigt. In Schritt 53 wird der gegatterte und geglättete untere verzerrte laufende Mittelwert Efloor(t) aktualisiert. Efloor(t) wird im Log-Bereich berechnet. Um Efloor(t) im Log-Bereich zu berechnen, ist es notwendig, zuerst den unteren verzerrten laufenden Mittelwert Alow(t) aus dem linearen in den Log-Bereich zu konvertieren.
Elow(t) = Emin + (log10(Alow(t)).(Emax - Emin)/K)) [Gl. 13]
Der Wert von Elow(t) wird dann benutzt, um den gegatterten und geglätteten oberen verzerrten Mittelwert wie folgt zu berechnen:
Efloor(t) = (Wfloor(t).Elow(t)) + ((1 - Wfloor(t)).Efloor(t - 1)) [Gl. 14]
Dabei ist Wfloor(t) der Gewichtskoeffizient für die Berechnung von Efloor und wird wie folgt berechnet:
Wfloor(t) = min[1,0, ((Emax - Elow(t)/­ (Emax - Efloor(t - 1)))2/Ts)] [Gl. 15]
So wie für die gegatterten und geglätteten oberen verzerrten laufenden Mittelwerte wird auch der gegatterte und geglättete Wert Efloor(0) anfänglich auf einen gewissen Wert gesetzt, der abschätzt, wie die Einhüllende aussehen sollte, und dann passt sich der Wert schnell in nachfolgenden Verschiebungsinkrementen an den richtigen Wert an.
Im Schritt 54 wird der gegatterte und geglättete obere verzerrte laufende Mittelwert Epeak(t) vom Energiemerkmal abgezogen, was den Energienormierungsvektor Enorm(t) ergibt, der vom SR-System benutzt wird. Enorm(t) wird wie folgt berechnet:
Enorm(t) = Eobs(t) - Epeak(t) [Gl. 16]
In Schritt 55 wird der Wert des gegatterten und geglätteten unteren verzerrten laufenden Mittelwerts an einen Nutzer als ein Maß für den absoluten Rauschpegel ausgegeben.
Ein Maß für das Signal-Rausch-Verhältnis wird dem Nutzer ebenfalls angezeigt, indem die Differenz zwischen dem gegatterten und geglätteten oberen verzerrten und dem unteren verzerrten laufenden Mittelwert berechnet wird.
In der beispielhaften Ausführungsform wird einem Nutzer ein Audiostatus-Anzeiger angezeigt, der in seiner Form einem Standard-Schallpegelmesser ähnlich ist. Der Audiostatus-Anzeiger zeigt dem Nutzer kontinuierlich das berechnete Signal-Rausch- (S/N) Verhältnis an. Bei sehr niedrigen Signal-Rausch-Pegeln zeigt der Anzeiger einen blauen Balken an, was darauf hinweist, dass die Sprache des Nutzers dem SR-System weitestgehend unverständlich ist und dass eine gewisse Anpassung vorgenommen werden muss. Bei höheren S/N-Pegeln werden sowohl ein blauer als auch ein gelber Balken angezeigt, was darauf hinweist, dass durch das System eine gewisse Spracherkennung erreicht wird, die Situation aber bei weitem nicht ideal ist. Bei noch höheren Signal-Rauschpegeln, bei denen die Spracherkennung ideal ist, wird ein blauer, gelber und grüner Balken angezeigt. Wenn der Audiopegel so hoch ist, dass das Signal abgeschnitten werden kann, dann wird ein roter Balken gemeinsam mit dem blauen, gelben und grünen Balken angezeigt. Es ist mehr der absolute Audiopegel, der bestimmt, ob der rote Balken angezeigt wird, als das s/n-Verhältnis. Während Schweigesegmente wird um die farbigen Balken herum ein schwarzer Rahmen angezeigt. Er wird während der Sprechintervalle entfernt (ein grauer Rahmen ersetzt den schwarzen Balken und passt sich während des Sprechens an den Hintergrund an). Diese Indikatoren ergeben eine präzise Zusammenfassung des Zustandes der Audioqualität, die das SR- System beeinflusst. Alternative Ausführungsformen würden zusätzlich zu den oben beschriebenen Indikatoren numerische Werte enthalten.
Schritt 58 ist ein Bestimmungsschritt, um zu entscheiden, ob das Beobachtungsfenster das Ende der PCM-Wellenform erreicht hat. Falls nicht, wird zum Schritt 41 zurückverzweigt, in dem das Beobachtungsfenster längs der Wellenform um ein Verschiebungsinkrement verschoben wird. Ansonsten endet der Prozess in Schritt 60.
Demzufolge erreicht die vorliegende Erfindung die oben beschriebenen Aufgaben der Energienormierung und der Unterscheidung von Sprechen und Schweigen.
Obwohl hier anschauliche Ausführungsformen der vorliegenden Erfindung beschrieben wurden unter Bezugnahme auf die begleitenden Zeichnungen, muss verstanden werden, dass die Erfindung nicht genau auf diese Ausführungsformen beschränkt ist und dass verschiedene andere Veränderungen und Modifikationen von einem Fachmann vorgenommen werden können, ohne vom Umfang oder dem Sinn der Erfindung abzuweichen.

Claims (21)

1. Spracherkennungs-Präprozessor, der umfasst:
einen Analysator für den Empfang eines digitalen Sprachsignals, woraus eine Folge von Feldern erzeugt wird und jedes Feld eine Vielzahl von Abtastwerten des digitalen Sprachsignals enthält;
Mittel, die mit dem Analysatormittel verbunden sind, zur Verfolgung einer oberen Energieeinhüllenden, einer durchschnittlichen Energie und einer unteren Energie durch eine Vielzahl von Energiespuren in einem oder mehreren aufeinander folgenden Feldern des digitalen Sprachsignals; und
Mittel, die mit dem Verfolgungsmittel verbunden sind, zur Berechnung eines zeitsynchron ermittelten normierten Energiewertes aus der oberen Energieeinhüllenden und zur Bereitstellung des normierten Energiewertes für ein Spracherkennungssystem.
2. Spracherkennungs-Präprozessor nach Anspruch 1, der weiter Mittel umfasst, die mit dem Verfolgungsmittel verbunden sind, zur Messung des Signal-Rausch-Verhältnisses und des absoluten Grundrauschens in einem oder mehreren aufeinanderfolgenden Feldern des digitalen Sprachsignals.
3. Spracherkennungs-Präprozessor nach Anspruch 2, der weiter Mittel umfasst, die mit dem Messmittel verbunden sind, um einem Nutzer das Signal-Rausch-Verhältnis und das absolute Grundrauschen als kontinuierliche Anzeige darzustellen, um Rückkopplungsmittel bereitzustellen, um optimale Spracherkennungs-Genauigkeit zu erreichen.
4. Spracherkennungs-Präprozessor nach Anspruch 1, der weiter Mittel umfasst, die mit dem Messmittel verbunden sind, um Schweige- oder Sprachintervalle in dem digitalen Sprachsignal zu unterscheiden.
5. Verfahren zur Normierung der Energie in einem Sprachsignal, wobei das Verfahren die folgenden Schritte umfasst:
Berechnung einer oberen Energiespur zur Verfolgung der oberen Energieeinhüllenden des Sprachsignals;
Berechnung einer unteren Energiespur zur Verfolgung der unteren Energieeinhüllenden des Sprachsignals;
Berechnung einer mittleren Energiespur zur Verfolgung der durchschnittlichen Energie des Sprachsignals; und
Berechnung eines zeitsynchron ermittelten normierten Energiewertes aus der oberen Energiespur, der an das Spracherkennungssystem zu übergeben ist.
6. Verfahren nach Anspruch 5, umfassend die Teilung des Sprachsignals in eine Vielzahl von aufeinanderfolgenden Zeitintervallen und die Charakterisierung jedes Zeitintervalls als Sprachintervall oder als Schweigeintervall.
7. Verfahren nach Anspruch 5, wobei die obere Energiespur nur in den Zeitintervallen aktualisiert wird, die als Schweigeintervalle bestimmt wurden, und für die Zeitintervalle, die als Schweigeintervalle gekennzeichnet wurden, konstant gehalten wird.
8. Verfahren nach Anspruch 5, wobei die untere Energiespur nur in den Zeitintervallen aktualisiert wird, die als Schweigeintervalle bestimmt wurden, und für die Zeitintervalle, die als Schweigeintervalle gekennzeichnet wurden, konstant gehalten wird.
9. Verfahren nach Anspruch 5, umfassend die Bereitstellung eines Maßes des Signal-Rausch-Verhältnisses und des absoluten Grundrauschens als Rückkopplung für einen Nutzer, um optimale Spracherkennungsgenauigkeit zu erzielen.
10. Verfahren nach Anspruch 9, wobei das Signal-Rausch- Verhältnis als Differenz zwischen der oberen Energiespur und der unteren Energiespur berechnet wird.
11. Verfahren nach Anspruch 9, wobei die untere Energiespur als Maß für das absolute Grundrauschen ausgegeben wird.
12. Verfahren zur Energienormierung in einem PCM-Sprachsignal, wobei das Sprachsignal eine Vielzahl von Feldern enthält und jedes Feld aus dieser Vielzahl ein festes Intervall des Sprachsignals definiert und das Verfahren die folgenden Schritte umfasst:
Konstruktion eines Beobachtungsfensters, dessen Breite ein aktuelles Beobachtungsintervall des Sprachsignals definiert und das aktuelle Beobachtungsintervall eine Vielzahl von digitalen Abtastwerten des Sprachsignals umfasst;
Verschiebung des Beobachtungsfensters in diskreten Verschiebungsinkrementen längs des PCM-Sprachsignals;
bei jedem diskreten Verschiebungsinkrement des Beobachtungsfensters:
Berechnung eines Eigenschaftsvektors aus der Vielzahl von enthaltenen digitalen Abtastwerten des Sprachsignals, das in dem Beobachtungsintervall enthalten ist;
Benutzung des Eigenschaftsvektors, um einen oberen verzerrten laufenden Mittelwert, einen unteren verzerrten laufenden Mittelwert und einen nominell unverzerrten laufenden Mittelwert zu berechnen;
Bestimmung, ob das Intervall ein Sprachintervall oder ein Schweigeintervall ist;
Berechnung eines geglätteten oberen verzerrten laufenden Mittelwertes aus dem oberen verzerrten laufenden Mittelwert, wenn das Intervall ein Sprachintervall ist
Konstanthalten eines geglätteten unteren verzerrten laufenden Mittelwertes auf einem Wert, der im jüngsten Schweigeintervall berechnet wurde;
Berechnung eines zeitsynchron ermittelten normierten Energiewertes aus dem geglätteten oberen verzerrten laufenden Mittelwertes; und
Ausgabe des normierten Energiewertes an ein Spracherkennungssystem.
13. Verfahren nach Anspruch 12, wobei das Verfahren weiterhin die folgenden Schritte umfasst, wenn das Intervall ein Schweigintervall ist:
Berechnung eines geglätteten unteren verzerrten laufenden Mittelwertes aus dem unteren verzerrten laufenden Mittelwert;
Konstanthalten eines geglätteten oberen verzerrten laufenden Mittelwertes auf einem Wert, der im jüngsten Sprachintervall berechnet wurde;
Berechnung eines Energienormierungswertes aus dem geglätteten oberen verzerrten laufenden Mittelwert; und
Ausgabe des Energienormierungswertes an ein Spracherkennungssystem.
14. Verfahren nach Anspruch 12, wobei die Bestimmung, ob das aktuelle Intervall ein Sprach- oder ein Schweigeintervall ist, durch Vergleich des nominell unverzerrten laufenden Mittelwertes mit dem unteren verzerrten laufenden Mittelwert geschieht.
15. Verfahren nach Anspruch 13, wobei das laufende Intervall ein Schweigintervall ist, wenn der unverzerrte laufende Mittelwert innerhalb eines vorher definierten Schwellwertes des unteren verzerrten laufenden Mittelwertes liegt.
16. Verfahren nach Anspruch 13, wobei das laufende Intervall als Sprachintervall bestimmt wird, wenn der Wert des unverzerrten laufenden Mittelwertes den Wert des unteren verzerrten laufenden Mittelwertes um einen vorher definierten Schwellwert überschreitet.
17. Verfahren nach Anspruch 12, wobei der Eigenschaftsvektor weiterhin die RMS-Energie und den nullten Cepstrum- Koeffizienten der Vielzahl der enthaltenen digitalen Abtastwerte enthält.
18. Verfahren nach Anspruch 12, wobei der obere verzerrte laufende Mittelwert, der bei dem aktuellen Verschiebungsinkrement t berechnet wird, ein gewichteter laufender Mittelwert ist, der wie folgt berechnet wird:
oberer verzerrter laufender Mittelwert (t) = (oberer verzerrter laufender Mittelwert (t - 1).w1) + (laufender beobachteter Wert (t).(1 - w1)),
wobei w1 und (1 - w1) Gewichtskoeffizienten darstellen.
19. Verfahren nach Anspruch 17, wobei die Gewichtskoeffizienten w1 und (1 - w1) bei jedem Verschiebungsinkrement anpassbar sind als Reaktion auf die relative Größe des oberen verzerrten laufenden Mittelwertes, der bei jedem Verschiebungsinkrement berechnet wurde, und des aktuell beim laufenden Inkrement beobachteten Wertes.
20. Verfahren nach Anspruch 12, wobei der untere verzerrte laufende Mittelwert, der bei dem aktuellen Verschiebungsinkrement t berechnet wird, ein gewichteter laufender Mittelwert ist, der wie folgt berechnet wird:
unterer verzerrter laufender Mittelwert (t) = (unterer verzerrter laufender Mittelwert (t - 1).w1) + (laufender beobachteter Wert (t).(1 - w1)),
wobei w1 und (1 - w1) Gewichtskoeffizienten darstellen.
21. Verfahren nach Anspruch 19, wobei die Gewichtskoeffizienten w1 und (1 - w1) bei jedem Verschiebungsinkrement anpassbar sind als Reaktion auf die relative Größe des unteren verzerrten laufenden Mittelwertes, der bei jedem Verschiebungsinkrement berechnet wurde, und des aktuell beim laufenden Inkrement beobachteten Wertes.
DE19952538A 1998-11-06 1999-10-30 Automatische Verstärkungsregelung in einem Spracherkennungssystem Expired - Fee Related DE19952538C2 (de)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
US09/187,439 US6314396B1 (en) 1998-11-06 1998-11-06 Automatic gain control in a speech recognition system

Publications (2)

Publication Number Publication Date
DE19952538A1 DE19952538A1 (de) 2000-05-11
DE19952538C2 true DE19952538C2 (de) 2003-03-27

Family

ID=22688995

Family Applications (1)

Application Number Title Priority Date Filing Date
DE19952538A Expired - Fee Related DE19952538C2 (de) 1998-11-06 1999-10-30 Automatische Verstärkungsregelung in einem Spracherkennungssystem

Country Status (2)

Country Link
US (1) US6314396B1 (de)
DE (1) DE19952538C2 (de)

Families Citing this family (44)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6603835B2 (en) 1997-09-08 2003-08-05 Ultratec, Inc. System for text assisted telephony
US6594346B2 (en) * 1997-09-08 2003-07-15 Ultratec, Inc. Relay for personal interpreter
US7164753B2 (en) * 1999-04-08 2007-01-16 Ultratec, Incl Real-time transcription correction system
KR100406307B1 (ko) * 2001-08-09 2003-11-19 삼성전자주식회사 음성등록방법 및 음성등록시스템과 이에 기초한음성인식방법 및 음성인식시스템
US7881441B2 (en) 2005-06-29 2011-02-01 Ultratec, Inc. Device independent text captioned telephone service
US8416925B2 (en) 2005-06-29 2013-04-09 Ultratec, Inc. Device independent text captioned telephone service
US7155385B2 (en) * 2002-05-16 2006-12-26 Comerica Bank, As Administrative Agent Automatic gain control for adjusting gain during non-speech portions
JP2004061617A (ja) * 2002-07-25 2004-02-26 Fujitsu Ltd 受話音声処理装置
US7454331B2 (en) * 2002-08-30 2008-11-18 Dolby Laboratories Licensing Corporation Controlling loudness of speech in signals that contain speech and other types of audio material
GB0224806D0 (en) * 2002-10-24 2002-12-04 Ibm Method and apparatus for a interactive voice response system
AU2004248544B2 (en) * 2003-05-28 2010-02-18 Dolby Laboratories Licensing Corporation Method, apparatus and computer program for calculating and adjusting the perceived loudness of an audio signal
US8515024B2 (en) 2010-01-13 2013-08-20 Ultratec, Inc. Captioned telephone service
US7660398B2 (en) 2004-02-18 2010-02-09 Ultratec, Inc. Captioned telephone service
AU2005299410B2 (en) 2004-10-26 2011-04-07 Dolby Laboratories Licensing Corporation Calculating and adjusting the perceived loudness and/or the perceived spectral balance of an audio signal
US8199933B2 (en) 2004-10-26 2012-06-12 Dolby Laboratories Licensing Corporation Calculating and adjusting the perceived loudness and/or the perceived spectral balance of an audio signal
US20060100866A1 (en) * 2004-10-28 2006-05-11 International Business Machines Corporation Influencing automatic speech recognition signal-to-noise levels
KR100705563B1 (ko) * 2004-12-07 2007-04-10 삼성전자주식회사 입력 레벨 자동 조절을 위한 음성 인식 시스템 및 이를이용한 음성 인식 방법
US7927617B2 (en) * 2005-04-18 2011-04-19 Basf Aktiengesellschaft Preparation comprising at least one conazole fungicide
US8566086B2 (en) * 2005-06-28 2013-10-22 Qnx Software Systems Limited System for adaptive enhancement of speech signals
US11258900B2 (en) 2005-06-29 2022-02-22 Ultratec, Inc. Device independent text captioned telephone service
US7778828B2 (en) 2006-03-15 2010-08-17 Sasken Communication Technologies Ltd. Method and system for automatic gain control of a speech signal
TWI517562B (zh) * 2006-04-04 2016-01-11 杜比實驗室特許公司 用於將多聲道音訊信號之全面感知響度縮放一期望量的方法、裝置及電腦程式
WO2007120452A1 (en) * 2006-04-04 2007-10-25 Dolby Laboratories Licensing Corporation Audio signal loudness measurement and modification in the mdct domain
ES2359799T3 (es) 2006-04-27 2011-05-27 Dolby Laboratories Licensing Corporation Control de ganancia de audio usando detección de eventos auditivos basada en la sonoridad específica.
CA2665153C (en) 2006-10-20 2015-05-19 Dolby Laboratories Licensing Corporation Audio dynamics processing using a reset
US8521314B2 (en) 2006-11-01 2013-08-27 Dolby Laboratories Licensing Corporation Hierarchical control path with constraints for audio dynamics processing
WO2008058842A1 (en) 2006-11-16 2008-05-22 International Business Machines Corporation Voice activity detection system and method
GB2450886B (en) * 2007-07-10 2009-12-16 Motorola Inc Voice activity detector and a method of operation
ATE535906T1 (de) * 2007-07-13 2011-12-15 Dolby Lab Licensing Corp Tonverarbeitung mittels auditorischer szenenanalyse und spektraler asymmetrie
CN101770776B (zh) * 2008-12-29 2011-06-08 华为技术有限公司 瞬态信号的编码方法和装置、解码方法和装置及处理***
US8635237B2 (en) * 2009-07-02 2014-01-21 Nuance Communications, Inc. Customer feedback measurement in public places utilizing speech recognition technology
US8738364B2 (en) * 2011-12-14 2014-05-27 International Business Machines Corporation Adaptation of vocabulary levels for enhanced collaboration
DE102013013695B4 (de) * 2013-08-16 2019-05-23 Audi Ag Kraftfahrzeug mit Spracherkennung
US20180034961A1 (en) 2014-02-28 2018-02-01 Ultratec, Inc. Semiautomated Relay Method and Apparatus
US10748523B2 (en) 2014-02-28 2020-08-18 Ultratec, Inc. Semiautomated relay method and apparatus
US10878721B2 (en) 2014-02-28 2020-12-29 Ultratec, Inc. Semiautomated relay method and apparatus
US20180270350A1 (en) 2014-02-28 2018-09-20 Ultratec, Inc. Semiautomated relay method and apparatus
US10389876B2 (en) 2014-02-28 2019-08-20 Ultratec, Inc. Semiautomated relay method and apparatus
US9484043B1 (en) * 2014-03-05 2016-11-01 QoSound, Inc. Noise suppressor
US9842608B2 (en) * 2014-10-03 2017-12-12 Google Inc. Automatic selective gain control of audio data for speech recognition
EP3147898A1 (de) 2015-09-23 2017-03-29 Politechnika Gdanska Verfahren und vorrichtung zur verbesserung der qualität von sprachsignalen in spracherkennungssystemen
US20170366897A1 (en) * 2016-06-15 2017-12-21 Robert Azarewicz Microphone board for far field automatic speech recognition
US11539900B2 (en) 2020-02-21 2022-12-27 Ultratec, Inc. Caption modification and augmentation systems and methods for use by hearing assisted user
CN113593534B (zh) * 2021-05-28 2023-07-14 思必驰科技股份有限公司 针对多口音语音识别的方法和装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0140249A1 (de) * 1983-10-13 1985-05-08 Texas Instruments Incorporated Sprachanalyse und Synthese mit Energienormalisierung

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4028496A (en) 1976-08-17 1977-06-07 Bell Telephone Laboratories, Incorporated Digital speech detector
FR2451680A1 (fr) 1979-03-12 1980-10-10 Soumagne Joel Discriminateur parole/silence pour interpolation de la parole
US4277645A (en) * 1980-01-25 1981-07-07 Bell Telephone Laboratories, Incorporated Multiple variable threshold speech detector
US4696039A (en) 1983-10-13 1987-09-22 Texas Instruments Incorporated Speech analysis/synthesis system with silence suppression
US4696040A (en) 1983-10-13 1987-09-22 Texas Instruments Incorporated Speech analysis/synthesis system with energy normalization and silence suppression
US4817158A (en) 1984-10-19 1989-03-28 International Business Machines Corporation Normalization of speech signals
JPS62290258A (ja) 1986-06-10 1987-12-17 Nec Corp 言語変換形音声通信方式
US4807167A (en) 1987-03-18 1989-02-21 General Electric Company Rapid method of digital automatic gain control
JPH0253369A (ja) 1988-08-17 1990-02-22 Nec Corp 音声蓄積・音声認識機能付キーテレフォンシステム
JPH02189061A (ja) 1989-01-17 1990-07-25 Sanyo Electric Co Ltd メールメッセージ検索方式
JPH0329555A (ja) 1989-06-27 1991-02-07 Nec Corp 議事内容蓄積方式
US5195138A (en) 1990-01-18 1993-03-16 Matsushita Electric Industrial Co., Ltd. Voice signal processing device
US5598505A (en) * 1994-09-30 1997-01-28 Apple Computer, Inc. Cepstral correction vector quantizer for speech recognition
JPH09152894A (ja) * 1995-11-30 1997-06-10 Denso Corp 有音無音判別器
US5689615A (en) * 1996-01-22 1997-11-18 Rockwell International Corporation Usage of voice activity detection for efficient coding of speech
US6076057A (en) * 1997-05-21 2000-06-13 At&T Corp Unsupervised HMM adaptation based on speech-silence discrimination

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0140249A1 (de) * 1983-10-13 1985-05-08 Texas Instruments Incorporated Sprachanalyse und Synthese mit Energienormalisierung

Also Published As

Publication number Publication date
US6314396B1 (en) 2001-11-06
DE19952538A1 (de) 2000-05-11

Similar Documents

Publication Publication Date Title
DE19952538C2 (de) Automatische Verstärkungsregelung in einem Spracherkennungssystem
DE69636985T2 (de) Sprachanwesenheitdetektor für halbduplex-audiokommunikationssystem
DE69725172T2 (de) Verfahren und gerät zum erkennen von geräuschsignalproben aus einem geräusch
DE60131639T2 (de) Vorrichtungen und Verfahren zur Bestimmung von Leistungswerten für die Geräuschunterdrückung für ein Sprachkommunikationssystem
DE3750314T2 (de) Sprachprozessor.
DE60023517T2 (de) Klassifizierung von schallquellen
DE60009206T2 (de) Rauschunterdrückung mittels spektraler Subtraktion
DE3689035T2 (de) Rauschminderungssystem.
DE2233872C2 (de) Verfahren zur Bestimmung der Grundwellenperiode eines Sprachsignals
DE60122751T2 (de) Verfahren und vorrichtung für die objektive bewertung der sprachqualität ohne referenzsignal
DE112009000805T5 (de) Rauschreduktion
EP0586996A2 (de) Verfahren zur Spracherkennung mit dem eine Anpassung der Sprachcharakteristiken erreicht wird
DE69937613T2 (de) Verfahren und vorrichtung zur adaptiven signalverstärkungssteuerung in kommunikationssystemen
DE3315150A1 (de) Selbsttaetige lautstaerke-regelvorrichtung
DE60205232T2 (de) Verfahren und vorrichtung zur bestimmung der qualität eines sprachsignals
EP0251028A2 (de) Verfahren zur Übertragung eines Audiosignales
DE60222770T2 (de) Verbessertes verfahren zur ermittlung der qualität eines sprachsignals
DE69112855T2 (de) Sprachsignalverarbeitungsvorrichtung.
EP1048025B1 (de) Verfahren zur instrumentellen sprachqualitätsbestimmung
DE2021126C3 (de) Spracherkennungs anordnung
DE60110541T2 (de) Verfahren zur Spracherkennung mit geräuschabhängiger Normalisierung der Varianz
WO2001084536A1 (de) Verfahren zur berechnung einer sprachaktivitätsentscheidung (voice activity detector)
EP1382034B1 (de) Verfahren zur bestimmung von intensitätskennwerten von hintergrundgeräuschen in sprachpausen von sprachsignalen
EP0669606B1 (de) Verfahren zur Geräuschreduktion eines gestörten Sprachsignals
EP0946015B1 (de) Verfahren und Vorrichtung zur Beurteilung der Übertragungsqualität

Legal Events

Date Code Title Description
OP8 Request for examination as to paragraph 44 patent law
8304 Grant after examination procedure
8364 No opposition during term of opposition
8320 Willingness to grant licences declared (paragraph 23)
8327 Change in the person/name/address of the patent owner

Owner name: NUANCE COMMUNICATIONS,INC., BURLINGTON, MASS., US

8328 Change in the person/name/address of the agent

Representative=s name: VOSSIUS & PARTNER, 81675 MUENCHEN

R119 Application deemed withdrawn, or ip right lapsed, due to non-payment of renewal fee
R409 Internal rectification of the legal status completed
R119 Application deemed withdrawn, or ip right lapsed, due to non-payment of renewal fee