DE3750314T2 - Sprachprozessor. - Google Patents

Description

• Diese Erfindung bezieht sich auf Sprachprozessoren mit automatischer Verstärkungsfaktorsteuerung und insbesondere auf Spracherkenner.
• Automatische Spracherkenner arbeiten, indem sie Merkmale vergleichen, die hörbaren Sprachsignalen entnommen sind. Merkmale, die der zu erkennenden Sprache entnommen sind, werden mit gespeicherten Merkmalen verglichen, die von einer bekannten Sprachäußerung entnommen sind.
• Zur genauen Erkennung ist es wichtig, daß die Merkmale, die dem gleichen Wort oder Laut, das oder der dann zu unterschiedlichen Zeiten gesprochen wird, entnommen sind, genügend ähnlich sind. Jedoch macht es der große Dynamikbereich von Sprache schwierig, dies zu erreichen, insbesondere in Bereichen, wie dem freihändigen Telefonieren, wo der durch das Mikrofon empfangene Tonpegel über einen weiten Bereich variieren kann. Um diese Sprachpegel-Variation zu kompensieren, verwenden die meisten Spracherkenner eine Form einer automatischen Verstärkungsfaktorsteuerung (AGC).
• Die AGC-Schaltung steuert den Verstärkungsfaktor, um zu versichern, daß der durchschnittliche Signalpegel, der von dem Merkmals-Extrahierer verwendet wird, so nahe wie möglich über eine gegebene Zeitperiode konstant ist. Somit wird leisen Sprachäußerungen ein größerer Verstärkungsfaktor verliehen als lauten Äußerungen. Diese Form eines AGC läuft gut, wenn das Eingabesignal kontinuierliche Sprache ist, da nach einer Zeitperiode der Schaltungsverstärkungsfaktor den Signalpegel optimieren wird, um eine konsistente Merkmalsextrahierung zu ergeben. Bei Nichtvorhandensein von Sprache wird der Verstärkungsfaktor der AGC-Schaltung jedoch auf einen Pegel ansteigen, der durch das Hintergrundrauschen bestimmt ist, so daß beim Einsetzen einer Sprachäußerung der Verstärkungsfaktor der AGC-Schaltung zu hoch eingestellt sein wird. Während der Äußerung wird der Verstärkungsfaktor der Schaltung automatisch reduziert, wobei die Geschwindigkeit der Verstärkungsfaktoränderung durch die "Angriffs"-Zeit der AGC bestimmt ist. Der Beginn einer Äußerung ist somit einem viel größeren Verstärkungsfaktor unterworfen, und jegliche entnommenen Merkmale werden einen viel größeren Energiegehalt haben als ähnliche Merkmale, die später entnommen werden, wenn der Verstärkungsfaktor reduziert worden ist.
• Dieser Verzerrungseffekt ist abhängig von dem Eingangssignalpegel; je größer der Sprachpegel ist, umso größer ist die Verzerrung. Somit werden die ersten wenigen entnommenen Merkmale nicht den in fiktiver Weise ähnlich gespeicherten Merkmalen entsprechen, und dies kann oft zu einer schwachen Erkennungsfähigkeit führen.
• Es ist ein Ziel der vorliegenden Erfindung, eine Lösung zu diesem Problem anzugeben.
• Gemäß der vorliegenden Erfindung wird ein Sprachprozessor bereitgestellt, der aufweist: einen Eingang, um Sprachsignale zu empfangen; eine Signalverarbeitungseinrichtung, um Spektralparameter aus den Sprachsignalen zu entnehmen; einen Analog-Digital-Wandler, um die entnommenen Parameter zu digitalisieren; eine automatische Verstärkungssteuerungseinrichtung, um den an den Wandler angelegten Signalpegel zu steuern; dadurch gekennzeichnet, daß die Spektralparameter zumindest vorübergehend gespeichert werden und daß für jeden solchen gespeicherten Parameter auch ein Verstärkungskoeffizient gespeichert wird, der für den an die Verstärkungssteuerungseinrichtung angelegten Verstärkungsfaktor anzeigend ist; und daß am Ende einer Abtastperiode die Verstärkungskoeffizienten in dieser Periode, wenn unterschiedlich, gleich dem niedrigsten in dieser Periode gespeicherten Verstärkungskoeffizienten gesetzt werden, wobei die Größen der entsprechenden gespeicherten Spektralparameter proportional eingestellt werden.
• In einem Sprachprozessor gemäß der Erfindung, der als ein Spracherkenner konfiguriert ist, wird eine automatische Verstärkungsfaktorsteuerung durch eine digital geschaltete Dämpfungseinheit bereitgestellt, deren Verstärkungsfaktor durch den Mikroprozessor bestimmt wird, der die Spracherkennung ausführt. Der Mikroprozessor steuert den Verstärkungsfaktor; um zu versichern, daß der Dynamikbereich des Analog-Digital- Wandlers (was zwischen Merkmalsextrahierung und dem Mikroprozessor auftritt, der den Erkenner steuert, selbst wenn analoge AGCs verwendet werden) nicht überschritten wird (außer während der Anpassung des AGC). Der prinzipielle Unterschied zwischen den bekannten analogen AGCs und dem System gemäß der Erfindung liegt darin, daß im letzteren der Mikroprozessor eine Steuerung der Verstärkungsfaktoreinstellung ausübt und daher den verwendeten Verstärkungsfaktor für jedes entnommene Merkmal speichern kann. Nachdem die Äußerung beendet ist, kann der Mikroprozessor die optimale Verstärkungsfaktoreinstellung für die vollständige Äußerung bestimmen. Alle gespeicherten Merkmale werden dann auf diese optimale Verstärkungsfaktoreinstellung normalisiert. Damit wird ein konsistenter Satz von Merkmalen unabhängig vom Eingangssignal-Verstärkungsfaktor entnommen.
• Ausführungsbeispiele der Erfindung werden weiter beschrieben und mit Bezug auf die begleitende Zeichnung erklärt werden, in der:
• Fig. 1 ein schematisches Diagramm eines Spracherkenners gemäß der vorliegenden Erfindung ist.
• In dieser Patentanmeldung ist die Erfindung mit Bezugnahme auf einen Spracherkenner beschrieben, der das Abgleichen von Schablonen verwendet; wie jedoch dem Fachmann bewußt ist, ist die Erfindung gleichermaßen anwendbar auf jeden der herkömmlichen Typen von Spracherkennern, einschließlich jenen, die ein stochastisches Modellieren, Markov- Ketten, dynamisches Zeitverziehen und Phonem-Erkennung verwenden.
• Spracherkennung basiert auf dem Vergleichen von Energiekonturen von einer Anzahl (allgemein 8 bis 16) von Filterkanälen. Während Sprache vorhanden ist, wird das Energiespektrum von jedem Filterkanal mit einem Analog-Digital-Wandler (A-D) digitalisiert, um eine Schablone zu erzeugen, die in einem Speicher gespeichert ist.
• Die anfängliche Phase der Erkennung ist als "Training" bekannt und besteht aus dem Erzeugen der Referenz-Schablonen, indem die Worte auf den Erkenner gesprochen werden, die erkannt werden sollen. Sobald Referenz-Schablonen für die zu erkennenden Worte hergestellt worden sind, kann eine Spracherkennung versucht werden.
• Wenn der Erkenner einer Äußerung ausgesetzt wird, erzeugt er eine Test-Schablone, die mit den Referenz-Schablonen in dem Speicher verglichen werden können, um die nächstliegende Übereinstimmung zu finden.
• Die fundamentalen Elemente des Spracherkenners gemäß der vorliegenden Erfindung sind in Fig. 1 gezeigt. Sprachsignale, die durch das Mikrofon 1 empfangen und durch einen Verstärker 2 verstärkt sind, werden zu einer Filterbank 3a geführt. In der Filterbank werden die Sprachsignale in eine Vielzahl (in diesem Fall 16) von Frequenzbändern gefiltert, und die Signale werden durch einen Gleichrichter 4 gleichgerichtet. Die gefilterten und gleichgerichteten Signale werden durch einen Tiefpaßfilter 3b geglättet und dann sequentiell durch einen Multiplexer 5 abgetastet, der das resultierende Einkanalsignal an die DAGC-Schaltung 8 speist, die ihrerseits einen Analog-Digital-Wandler 6 speist, von dem der digitalisierte Signalstrom zu dem steuernden Mikroprozessor 7 geführt wird.
• Der Multiplexer adressiert jeden Filterkanal für 20 Mikrosekunden, bevor der Nächste adressiert wird. Am Ende jedes 10 Millisekunden Zeitschlitzes wird die abgetastete Energie jedes Kanals für diese Periode gespeichert. Die Schablonen, die während des Trainings oder der Erkennung erzeugt werden, bestehen aus bis zu 100 Zeitschlitz-Abtastungen für jeden Filterkanal.
• Die digitale AGC arbeitet auf die folgende Weise. Jedesmal, wenn der Multiplexer einen Filterkanal adressiert, beurteilt der Mikroprozessor den Energiepegel des Kanals, um zu bestimmen, ob der A-D-Wandler überlastet worden ist und daher der Verstärkungsfaktor zu hoch ist. Wenn der Mikroprozessor bestimmt, daß der Verstärkungsfaktor zu hoch ist, dekrementiert er den Verstärkungsfaktor der AGC um einen Schritt, was einer Reduzierung im Verstärkungsfaktor von 1,5 dB entspricht, und betrachtet erneut den Energiepegel des Kanals. Der Multiplexer schreitet nicht zyklisch zu dem nächsten Kanal fort, bis der Mikroprozessor bestimmt hat, daß der Verstärkungsfaktor in ausreichender Weise reduziert worden ist, um ein Überlasten des A-D-Wandlers zu verhindern. Wenn der Multiplexer zyklisch zu dem nächsten Filterkanal fortschreitet, wird der Verstärkungsfaktor der AGC-Schaltung an dem neuen niedrigen Pegel gehalten, außer wenn dieser Pegel zu einem Überlasten des A-D-Wandlers mit dem Energiepegel des neuen Kanals führt, in welchem Fall der Verstärkungsfaktor nach unten inkrementiert wird, wie vorher beschrieben. Wenn der Multiplexer den letzten Filterkanal adressiert hat, normalisiert der Mikroprozessor die Energiepegel aller Kanäle, indem ihre Verstärkungskoeffizienten (die zusammen mit der Energiepegelinformation in dem Speicher 9 gespeichert worden ist, welcher zu dem Mikroprozessor gehört) auf das durch den Mikroprozessor festgelegte Minimum eingestellt werden. Auf diese Weise wird ein konsistenter Satz von Merkmalen unabhängig von dem anfänglichen Eingangssignalverstärkungsfaktor und irgendwelchen Änderungen im Verstärkungsfaktor während der Bildung der Schablone entnommen.
• Es ist auch eine Anforderung an den Spracherkenner, den Anfang und das Ende der Sprache oder des Worts mit einem hohen Maß an Genauigkeit zu erfassen. Der Spracherkenner gemäß der vorliegenden Erfindung verwendet die folgende Technik:
• A. Der Energiepegel des Hintergrundrauschens wird gemessen und für 32 Zeitschlitze (bei 10 Millisekunden für eine Abtastung) gespeichert, während gleichzeitig die Verstärkungsfaktoren der AGC-Schaltung wie oben beschrieben eingestellt (reduziert) werden, um mit der maximalen Rauschenergie umzugehen.
• B. Die Abtastung maximaler Energie wird gefunden, indem alle die Filterwerte für jeden Zeitschlitz addiert werden, durch 16 (die Anzahl von Filterkanälen) dividiert werden, und mit einem Verstärkungsfaktor entsprechend dem Verstärkungsfaktor der DAGC-Schaltung multipliziert werden, und indem dann jeder Zeitschlitz verglichen wird, um das Maximum zu finden.
• C. Die Schwelle, die überschritten werden muß, bevor angenommen wird, daß Sprache vorhanden ist, ist eingestellt, um gleich 1,5mal die maximale Rauschenergie, die in Schritt B bestimmt ist, zu sein.
• D. Die durchschnittliche Rauschenergie für jeden Filterkanal wird gefunden und gespeichert (für jeden Kanal ist es die Summe der Energien über alle 32 Zeitschlitze, dividiert durch 32), um eine Rauschschablone festzulegen.
• E. Danach wird die Filterbank alle 10 Millisekunden abgefahren, und die Daten werden in einem temporären Umlaufspeicher aus 100 Zeitabtastungen gespeichert, bis die durchschnittliche Filterenergie die in C berechnete Rausch/Sprach-Schwelle überschreitet.
• F. Wenn die Rausch/Sprach-Schwelle nach 32 Abtastungen nicht überschritten ist, wird eine Prüfung durchgeführt, um zu versichern, daß der Verstärkungsfaktor der DAGC-Schaltung nicht zu niedrig eingestellt ist. Dies wird gemacht, indem der maximale Filterkanalwert betrachtet wird, der in diesen 32 Zeitschlitzen gespeichert ist. Wenn dieser Maximalpegel um 1,5 dB oder mehr unter dem maximal akzeptierbaren Eingangspegel für den A-D-Wandler ist, wird der Verstärkungsfaktor der AGC um 1 inkrementiert, um den Verstärkungsfaktor um 1,5 dB zu erhöhen.
• Wenn die Schwelle nach 32 Abtastungen nicht überschritten ist und die DAGC-Einstellung richtig ist, dann wird die Rausch/Sprach-Schwelle erneut berechnet, indem die Maximalenergie über die letzten 32 Abtastungen (wie in B) gefunden wird und mit 1,5 (wie in C) multipliziert wird.
• G. Sobald die Rausch/Sprach-Schwelle überschritten worden ist, wird die Filterbank alle 10 Millisekunden abgefahren, und die Filterdaten werden in dem Speicher gespeichert, um die Sprachschablonen zu bilden, bis entweder 100 Abtastungen eingetragen worden sind oder bis der Energiepegel unterhalb die Rausch/ Sprach-Schwelle für 20 aufeinanderfolgende Abtastungen fällt. Wie oben beschrieben, wird, wenn während der Dateneingabe der A-D-Wandler überlastet wird, die AGC-Einstellung um 1 dekrementiert, und die Daten für diesen Filterkanal werden erneut verarbeitet. Wenn während des Abfahrens der 16 Filterkanäle der Verstärkungsfaktor der DAGC-Schaltung reduziert wird, werden die Daten von allen 16 Kanälen erneut eingegeben, so daß alle Filterdaten der gleichen AGC-Einstellung entsprechen. Der verwendete AGC-Wert wird in dem Speicher zusammen mit den Filterdaten aufgezeichnet. Die verwendete AGC-Einstellung am Anfang jedes Zeitschlitzes wird von dem vorherigen Zeitrahmen genommen, wodurch der Verstärkungsfaktor während der Sprachverarbeitungsphase nur reduziert werden kann (nicht erhöht). Dies stellt kein Problem dar, da am Ende der Schablonenperiode alle Schablonendaten auf eine einheitliche AGC-Einstellung normalisiert werden.
• H. Um zu versichern, daß der Anfang von Sprache nicht durch die Sprach/Rausch-Detektor-Schwelle verfehlt wird, werden die 15 Zeitabtastungen vor der Spracherfassung von dem temporären Umlaufspeicher an den Anfang der "Sprach"-Schablone transferriert.
• I. Wenn mehr als 100 Abtastungen verarbeitet wurden, bevor Sprache erfaßt ist, wird die Rauschschablone durch Analysieren (wie in D) der ältesten 32 Zeitrahmen in dem temporären Umlaufspeicher erneut berechnet. Wenn weniger als 100 Abtastungen verarbeitet wurden, bevor Sprache erfaßt ist, wird die in Schritt D festgelegte Rauschschablone in den folgenden Schritten verwendet.
• J. Die minimale Verstärkungsfaktoreinstellung der AGC über der Sprachschablone wird dann gefunden und sowohl die Sprach- als auch die Rauschschablone werden auf diese Einstellung normalisiert, was dazu führt, daß beide Schablonen die Werte enthalten, die eingetragen worden wären, wäre dieser Verstärkungsfaktor von Anfang an verwendet worden.
• K. Die normalisierte Rauschschablone wird dann von jedem Zeitrahmen der normalisierten Sprachschablone subtrahiert.
• L. Die maximale Energie in der normalisierten Sprachschablone wird nun gefunden, und eine neue Rausch/Sprach-Schwelle wird berechnet - gleich der maximalen Energie minus 18 dB. Diese neue Schwelle wird verwendet, um die normalisierte Sprachschablone abzufahren, um den Anfangs- und den Endpunkt der Sprache zu bestimmen.
• M. Die Sprachschablone wird dann am Anfangs- und am Endpunkt gestutzt und wird entweder in dem Speicher (Training) gespeichert oder zur Erkennung verwendet. Das folgende tabellenartige Beispiel stellt die Werte dar, die nach dem Messen des Hintergrundrauschens für 320 Millisekunden (32 Zeitschlitze von jeweils 10 Millisekunden) gespeichert werden. Filterbanknummer echte durchschnittliche Energie Durchschnittliche Rauschschablone
• Ein DAGC-Wert von 4 ist äquivalent einer 6 dB-Dämpfung des Signals, das in den A-D läuft, und somit müßten, um die "echte" Energie zu berechnen, alle die obigen Filterbankwerte verdoppelt werden.
• Die maximale echte Energie (die gemittelt über alle Filter) war: -410.
• Schwelle, die zum Starten/Beenden einer Schablonenaufzeichnung zu überschreiten ist: -615.
• Da die Hauptanwendung der Erfindung die Spracherkennung ist, ist sie mit Bezug auf diese Anwendung beschrieben worden. Jedoch ist, wie einem Fachmann bewußt sein wird, die Erfindung nicht nur auf Spracherkennung anwendbar, sondern ist auf praktisch jede Situation anwendbar, wo Sprachsignale zur Merkmalsentnahme verarbeitet werden.
• Der Sprachprozessor gemäß der vorliegenden Erfindung ist besonders geeignet zur Verwendung in Anwendungen, wo Hintergrundrauschen und Variationen im Pegel dieses Hintergrundrauschens ein Problem für bekannte Sprachprozessoren ist. Eine solche Anwendung ist beim freihändigen Telefonieren und insbesondere freihändiges Telefonieren, bei dem zellulare Funkendgeräte involviert sind. Solche Endgeräte werden häufig in Kraftfahrzeugen verwendet, wo es zweckmäßig ist, eine Spracherkennung zu verwenden, um eine freihändige Rufverbindung und freihändiges Wählen zu gewährleisten. Das Problem erwächst jedoch daraus, daß Wind-, Fahrbahn- und Motorgeräusche sich stark ändern und eine genaue Erkennung von Sprache schwierig machen. Wenn Spracherkennung für freihändiges Telefonieren bei dieser Anwendung voll akzeptabel sein soll, ist es klar notwendig, daß der Erkenner gesprochene Befehle akzeptiert und richtig in Antwort darauf agiert beim Vorhandensein von Hintergrundrauschen, ohne regelmäßig zu erfordern, daß die Befehle wiederholt werden.
• Die verbesserte Genauigkeit der Erfindung, die durch die vorliegende Erfindung gewährleistet wird, ist von besonderem Vorteil bei dieser Anwendung.

Claims (10)

1. Sprachprozessor, der aufweist: einen Eingang (1), um Sprachsignale zu empfangen; eine Signalverarbeitungseinrichtung (3), um Spektralparameter aus den Sprachsignalen zu entnehmen; einen Analog-Digital-Wandler (6), um die entnommenen Parameter zu digitalisieren; eine automatische Verstärkungssteuerungseinrichtung (8), um den an den Wandler angelegten Signalpegel zu steuern; dadurch gekennzeichnet, daß die Spektralparameter zumindest vorübergehend gespeichert werden und daß für jeden solchen gespeicherten Parameter auch ein Verstärkungskoeffizient gespeichert wird, der für den an die Verstärkungssteuerungseinrichtung angelegte Verstärkung anzeigend ist; und daß am Ende einer Abtastperiode die gespeicherten Verstärkungskoeffizienten in dieser Periode, wenn unterschiedlich, gleich dem niedrigsten in dieser Periode gespeicherten Verstärkungskoeffizienten gesetzt werden, wobei die Größen der entsprechenden gespeicherten Spektralparameter proportional eingestellt werden.

2. Sprachprozessor nach Anspruch 1, bei dem jeder entnommene Spektralparameter dem Energiegehalt eines bestimmten Frequenzbandes in einem Zeitschlitz der Länge t entspricht, weiterhin dadurch gekennzeichnet, daß für jeden entnommenen Parameter der an den Analog-Digital-Wandler angelegte Signalpegel in einem kleinen Bruchteil der Zeit t bestimmt wird, und wenn der Signalpegel größer als ein vorbestimmter Pegel ist, wird die Verstärkung reduziert und der Signalpegel erneut bemessen, wobei die Signalstärkebemessung und die Verstärkungsreduzierung innerhalb des Zeitschlitzes t wiederholt werden, bis der Signalpegel an einem Endpegel ist, der den vorbestimmten Pegel nicht überschreitet.

3. Sprachprozessor nach Anspruch 2, wobei der vorbestimmte Pegel gleich dem Maximalpegel ist, der nicht den Dynamikbereich des Analog-Digital-Wandlers überschreitet.

4. Sprachprozessor nach Anspruch 2 oder 3, wobei in einem einzelnen Zeitschlitz der Länge t die spektralen Parameter für eine Vielzahl von diskreten Frequenzbändern festgelegt werden, weiterhin dadurch gekennzeichnet, daß die unterschiedlichen Frequenzbänder sequentiell adressiert werden, wobei der Endverstärkungskoeffizient jedes Frequenzbandes als der anfängliche Verstärkungskoeffizient des nächsten adressierten Frequenzbandes verwendet wird.

5. Sprachprozessor nach einem der Ansprüche 2 bis 4, wobei die Abtastperiode sich aus einer Vielzahl von Zeitschlitzen der Länge t zusammensetzt.

6. Sprachprozessor nach einem der vorhergehenden Ansprüche, wobei dieser als Spracherkenner konfiguriert ist.

7. Sprachprozessor nach einem der vorhergehenden Ansprüche, wobei die Verstärkungssteuerungseinrichtung ein digital geschaltetes Dämpfungsglied unter der Steuerung eines Mikroprozessors aufweist, wobei einer dessen Eingänge mit dem Digitalausgang des Analog-Digital-Wandlers verbunden ist, wobei die Verstärkung des Dämpfungsglieds durch den Mikroprozessor bestimmt wird.

8. Zellulares Funk-Endgerät, das einen Spracherkenner zum Wählen von Funktionen in Antwort auf gesprochene Anweisungen aufweist, dadurch gekennzeichnet, daß der Spracherkenner einen Sprachprozessor nach einem der Ansprüche 1 bis 5 aufweist.

9. Verfahren zum Verarbeiten von Sprache, das aufweist:

Filtern eines Eingabesprachsignals in eine Vielzahl von Spektralkomponenten über eine Abtastperiode;

sequentielles Verstärken der Vielzahl von Spektralkomponenten durch entsprechende Signalverstärkungsfaktoren;

Umwandeln der verstärkten Vielzahl von Spektralkomponenten in Digitalsignale, die die Spektralkomponenten darstellen;

Messen und Speichern von Signalen, die (a) Spektralkomponenten des Eingabesprachsignals und (b) die entsprechenden Signalverstärkungsfaktoren darstellen; und

Einstellen des Wertes der gespeicherten Spektralkomponenten, die zumindest zu einem anfänglichen Abschnitt des Sprachsignals gehören, um auf dem kleinsten Signalverstärkungsfaktor, der in der Abtastperiode verwendet wird, zu beruhen, um nachfolgende Spektralkomponenten des Sprachsignals innerhalb der Abtastperiode zu verstärken.

10. Verfahren zum Verarbeiten von Sprache, das aufweist:

Empfangen von Eingabesprachsignalen und Bereitstellen von davon gemessenen Spektralparameter-Digitaldaten einschließlich einer automatischen Verstärkungseinstellung, die den Pegel der gemessenen Sprachsignalkomponenten einstellt, die jedoch nach dem anfänglichen Teil eines Sprachsignals inhärent eine übermäßige Signalverstärkung bereitstellen kann, welche Verstärkung danach automatisch auf geringere Pegel während des Fortlaufs des Sprachsignals eingestellt wird;

und Speichern und nachfolgendes Reduzieren übermäßiger Signalverstärkungsfaktoren, die zu den Sprachsignalkomponenten während zumindest des anfänglichen Teiles eines Sprachsignals gehören, um eine optimierte effektive Signalverstärkung über das gesamte Sprachsignal zu erzeugen, dessen optimierte Verstärkung auf der kleinsten Signalverstärkung beruht, die während des Fortlaufs des Sprachsignals verwendet wird.