-
Hintergrund der Erfindung
-
1. Gebiet der Erfindung
-
Die
vorliegende Erfindung bezieht sich auf Sprachverarbeitung. Spezieller
bezieht sich die vorliegende Erfindung auf ein System und Verfahren
für die
automatische Erkennung gesprochener Wörter oder Sätze.
-
2. Beschreibung der verwandten
Technik
-
Digitale
Verarbeitung von Sprachsignalen hat eine weit verbreitete Anwendung
gefunden, besonders bei Mobiltelefon- und PCS Anwendungen. Eine
digitale Sprachverarbeitungstechnik ist die der Spracherkennung.
Die Verwendung von Spracherkennung gewinnt Bedeutung aufgrund von
Sicherheitsgründen.
Beispielsweise kann Spracherkennung verwendet werden, um die manuelle
Aufgabe des Drückens
von Knöpfen auf
der Tastatur eines Mobiltelefons zu ersetzen. Das ist besonders
wichtig, wenn ein Nutzer einen Telefonanruf beginnen will, während er
ein Auto fährt.
Bei der Verwendung eines Telefons ohne Spracherkennung muss der
Fahrer eine Hand vom Lenkrad nehmen und während dem Drücken der
Knöpfe
auf die Tastatur des Telefons schauen, um den Anruf zu wählen. Diese
Handlungen erhöhen
die Wahrscheinlichkeit eines Autounfalls. Spracherkennung erlaubt
es dem Fahrer Telefonanrufe durchzuführen, während dem kontinuierlichen
Beobachten der Straße
und dem Halten beider Hände
auf dem Lenkrad. Freisprecheinrichtungen für das Auto die Spracherkennung
umfassen, werden wahrscheinlich eine gesetzliche Anforderung in
zukünftigen
Systemen aufgrund von Sicherheitsgründen sein.
-
Sprecherabhängige Spracherkennung,
die heute am heutigsten verwendete Art, arbeitet in zwei Phasen:
einer Trainingsphase und einer Erkennungsphase. In der Trainingsphase
fordert das Spracherkennungssystem den Nutzer auf, jedes der Wörter in
dem Vokabular einmal oder zweimal zu sprechen, so dass es die Charakteristiken
der Sprache des Nutzers für
diese speziellen Wörter
oder Sätze
bzw. Phrasen lernen kann. Die Erkennungsvokabulargrößen sind
typischerweise klein (weniger als 50 Wörter) und das Spracherkennungssystem
wird nur eine hohe Erkennungsgenauigkeit bei dem Nutzer erreichen,
der es trainiert hat. Ein Beispiel eines Vokabulars für ein Freisprechsystem
für das
Auto würde
folgendes umfassen: Die Zahlen auf der Tastatur, die Schlüsselwörter „Anruf", „Sende", „Wähle", „Abbrechen", „Freigeben" (clear), „Addiere", „Lösche", „Verlauf", „Programmiere", „Ja" und „Nein", sowie auch 20 Namen
von häufig
angerufenen Arbeitskollegen, Freunden oder Familienmitgliedern.
Sobald das Training vollendet ist, kann der Nutzer Anrufe in der
Erkennungsphase durch Sprechen der trainierten Schlüsselwörter veranlassen.
Beispielsweise falls der Name „John" einer der trainierten
Namen war, kann der Nutzer einen Anruf mit John beginnen durch sagen
des Satzes „Anruf
John". Das Spracherkennungssystem
erkennt die Wörter „Anruf" und „John", und wählt die
Nummer die der Nutzer vorher als Johns Telefonnummer eingegeben
hat.
-
Ein
Blockdiagramm einer Trainingseinheit 6 eines sprecherabhängigen Spracherkennungssystems
ist in 1 gezeigt. Trainingseinheit 6 empfängt als
Eingabe s(n), einen Satz von digitalisierten Sprachsamples oder
-Abtastungen für
das zu trainierende Wort oder den Satz bzw. das Satzglied. Das Sprachsignal
s(n) wird durch Parameterbestimmungsblock 7 weitergeleitet,
der ein Template bzw. eine Vorlage mit N Parametern {p(n) n = 1
... N} erzeugt, das die Charakteristika bzw. Eigenschaften der Aussprache
des Nutzers für
das spezielle Wort oder Satzglied einfängt. Parameterbestimmungseinheit 7 kann
irgendeine einer Zahl von Sprachparameterbestimmungstechniken implementieren,
von denen viele in der Technik wohlbekannt sind. Ein beispielhaftes
Ausführungsbeispiel
einer Parameterbestimmungstechnik ist der Vocoder-Kodierer, der
im U.S. Patent Nr. 5,414,796 beschrieben ist. Ein alternatives Ausführungsbeispiel
einer Parameterbestimmungstechnik ist eine Fast Fourier Transformation
(FFT), wobei die N Parameter, die N FFT Koeffizienten sind. Andere Ausführungsbeispiele
leiten Parameter basierend auf den FFT Koeffizienten ab. Jedes gesprochene
Wort oder Satzglied produziert eine Vorlage mit N Parametern, die
in einer Vorlagendatenbank (template da tabase) 8 gespeichert
wird. Nach dem das Training mit M Vokabularwörtern vollendet ist, enthält die Vorlagendatenbank 8M
Vorlagen, von denen jede N Parameter enthält. Vorlagendatenbank 8 wird
in einer Art nichtflüchtigen
Speicher gespeichert, so dass die Vorlagen resident bzw. gespeichert
bleiben, wenn die Leistung bzw. Stromversorgung abgeschaltet wird.
-
2 zeigt ein Blockdiagramm
einer Spracherkennungseinheit 10, die während der Erkennungsphase eines
sprecherabhängigen
Spracherkennungssystems arbeitet. Spracherkennungseinheit 10 umfasst
eine Vorlagendatenbank 14, die im Allgemeinen die Vorlagendatenbank 8 der
Trainingseinheit 6 sein wird. Die Eingabe zur Spracherkennungseinheit 10 ist
die digitalisierte Eingabesprache x(n), die die zu erkennende Sprache
ist. Die Eingangssprache x(n) wird in den Parameterbestimmungsblock 12 weitergegeben,
der die gleiche Parameterbestimmungstechnik wie der Parameterbestimmungsblock 7 der
Trainingseinheit 6 durchführt. Der Parameterbestimmungsblock 12 erzeugt
eine Erkennungsvorlage mit N Parametern {t(n) n = 1 ... N}, die
die Charakteristika der Eingangssprache x(n) modeliert. Erkennungsvorlage
t(n) wird dann zum Mustervergleichsblock 16 weitergeleitet,
der einen Mustervergleich zwischen Vorlage t(n) und allen den in
der Vorlagendatenbank 14 gespeicherten Vorlagen durchführt. Die
Distanzen bzw. Abstände
zwischen Vorlage t(n) und jeder der Vorlagen der Vorlagendatenbank 14 werden
zum Entscheidungsblock 18 weitergegeben, der aus der Vorlagendatenbank 14 die
Vorlage auswählt,
die am nächsten
bzw. am besten mit Erkennungsvorlage t(n) übereinstimmt. Die Ausgabe des
Entscheidungsblocks 18 ist die Entscheidung darüber welches
Wort aus dem Vokabular gesprochen wurde.
-
Erkennungsgenauigkeit
ist ein Maß dafür wie gut
ein Erkennungssystem gesprochene Wörter oder Sätze aus dem Vokabular korrekt
erkennt. Beispielsweise gibt eine Erkennungsgenauigkeit von 95%
an, dass die Erkennungseinheit Wörter
aus dem Vokabular in 95 von 100 Fällen korrekt erkennt. In einem
traditionellen Spracherkennungssystem wird die Erkennungsgenauigkeit
in der Gegenwart von Rauschen bzw. Geräusch stark herabgesetzt. Der
Hauptgrund für
diesen Verlust an Genauigkeit ist, dass die Trainingsphase typischerweise
in einer ruhigen Umgebung stattfindet, aber die Erkennung typischerweise
in einer rausch- bzw. geräuschbehafteten
Umgebung stattfindet. Beispielsweise wird ein Freisprechspracherkennungssystem
fürs Auto
gewöhnlich
trainiert, während
das Auto in einer Garage steht oder in der Einfahrt geparkt ist,
so dass der Motor und die Klimaanlage nicht laufen und die Fenster
für gewöhnlich hochgekurbelt
bzw. geschlossen sind. Jedoch wird die Erkennung normalerweise verwendet
während
sich das Auto bewegt, so dass der Motor läuft, Straßen- und Windgeräusche bzw.
Rauschen vorhanden sind, die Fenster können unten sein, etc. Als ein
Ergebnis der Ungleichheit des Rauschpegels zwischen den Trainings-
und Erkennungsphasen bildet die Enkennungsvorlage keine gute Übereinstimmung
mit irgendeiner der während
dem Training erhaltenen Vorlagen. Das erhöht die Wahrscheinlichkeit eines
Erkennungsfehlers oder Versagens.
-
3 erläutert eine Spracherkennungseinheit 20,
die Spracherkennung in der Gegenwart von Rauschen durchführen muß. Wie in 3 gezeigt, addiert ein Summierer 22 zum
Sprachsignal x(n) ein Rauschsignal w(n) zum Produzieren eines rauschkorrumpierten
bzw. rauschgeschädigten-
bzw. geräuschgeschädigten Sprachsignals
r(n). Es sollte verstanden werden, dass Summierer 22 nicht
ein physikalisches Element des Systems ist, sondern ein Produkt
einer lauten bzw. geräuschvollen
Umgebung ist. Das rauschgeschädigte Sprachsignal
r(n) wird dem Parameterbestimmungsblock 24 eingegeben,
der eine rauschgeschädigte
Vorlage t1(n) produziert. Mustervergleichsblock 28 vergleicht
Vorlage t1(n) mit allen den Vorlagen der Vorlagedatenbank 26,
die in einer ruhigen Umgebung konstruiert wurde. Da die rauschgeschädigte Vorlage
t1(n) nicht genau mit irgendeiner der Trainingsvorlagen übereinstimmt,
gibt es eine hohe Wahrscheinlichkeit, dass die durch den Entscheidungsblock 30 produzierte
Entscheidung ein Erkennungsfehler oder Versagen sein kann.
-
Gales
M J F et al: "Robust
speech recognition in additive and convolutional noise using parallel
model combination",
Computer Speech and Lanugage, Bd. 9, Nr. 4, 1. Oktober 1995, Seiten
289–307,
XP000640904 offenbart ein Verfahren der parallelen Modellkombination
(PMC) als eine Technik zum Kompensieren der Effekte von additivem
Rauschen bei einem Spracherkenner. In diesem Schriftstück wird
das PMC-Schema erweitert, um die Effekte von Faltungsrauschen einzubeziehen.
Das wird gemacht durch Einführen
einer modifizierten „Fehlanpassungs"-Funktion, die es
erlaubt eine Schätzung
der Differenz bzw. des Unterschieds der Kanalbedingungen oder Schieflage
zwischen Training und Testumgebungen zu machen. Hat man diese Schieflage
geschätzt,
können
Maximum Likelihood (ML) Schätzungen
des geschädigten
Sprachmodells in der üblichen
Weise erhalten werden. Das Schema wird bewertet unter Verwendung
der NOISEX-92 Datenbank, wobei die Leistungsfähigkeit bei der Anwesenheit
sowohl von störendem
additiven Rauschen und Faltungsrauschen nur leichte Degradation
zeigt, verglichen mit dem was man erhält, wenn kein Faltungsrauschen
vorhanden ist. Hat man die Form der Modelle entschieden, ist es
nötig eine
Methode zum Schätzen
der neuen Modellparameter zu wählen.
Die „optimale" Technik für additives
Rauschen würde
sein Samples des Hintergrundrauschens zu den reinen Trainingsdaten
auf dem Wellenformniveau zu addieren. Eine neue, an die Testumgebung
angepasste Trainingsdatenbank, könnte
dann generiert und ein neuer Satz von Modellen, trainiert werden:
Jedoch sollte bemerkt werden, dass um dieses Training durchzuführen das
folgende nötig
ist.
- (1) Die gesamte Trainingsdatenbank ist
online verfügbar.
- (2) Ausreichende Rauschsamples sind verfügbar zum Addieren zu den reinen
Daten.
- (3) Rechenleistung ist verfügbar
zum Durchführen
der Rauschaddition, und Umschulen bzw. erneuten Training der Modellparameter,
immer wenn sich das Hintergrundrauschen ändert.
-
Angesichts
dieser Bedingungen wird es normalerweise unpraktisch sein, diese
Art der Kompensation durchzuführen.
Jedoch wenn man den reinen Sprachmodellen unterstellt, dass sie
ausreichende Information über
die Statistiken der drei Trainingsdaten enthalten, können sie
in dem Kompensationsschema anstelle der Daten selbst verwendet werden.
Außerdem
kann ein Modell des Hintergrundrauschens generiert werden und zwar
unter Verwendung was auch immer an Rauschsamples verfügbar ist,
um die Hintergrundrausch bedingungen zu repräsentieren. Das Problem ist
dann ein Verfahren zum Kombinieren der zwei Modelle zu finden, um
die geschädigten
Sprachmodelle genau zu schätzen.
-
Ferner
beschreibt Gong Y: „Speech
recognition in noisy environments: A survey", Speech Communication, Bd. 16, Nr.
3, 1. April 1995, Seite 261–291,
XP004013163, dass die Leistungsniveaus der meisten aktuellen Spracherkenner
signifikant abnehmen, wenn Umgebungsrauschen während der Verwendung auftritt. Solche
Leistungsdegradation wird hauptsächlich
verursacht durch Fehlanpassungen zwischen Training und Betriebsumgebungen.
Während
der letzten Jahre wurde viel Aufwand auf das Reduzieren dieser Fehlanpassung
gelenkt. Dieses Dokument untersucht Forschungsergebnisse auf dem
Gebiet digitaler Techniken für rauschbehaftete
Einzelmikrofon-Spracherkennung
eingeordnet in drei Kategorien: Rauschwiderstehende Eigenschaften
und Ähnlichkeitsmessung,
Sprachverbesserung, und Sprachmodellkompensation für Rauschen. Der Überblick
zeigt an, das die essentiellen Punkte bei rauschbehafteter Spracherkennung
aus dem Verbinden von Zeit- und
Frequenzkorrelationen bestehen, Vorsehen höherer Gewichtung für die hohen
SNR Anteile der Sprache bei der Entscheidungsfindung, Ausnutzen
aufgabenspezifischer a priori Kenntnis, sowohl der Sprache, als
auch dem Rauschen, Verwenden klassenabhängiger Verarbeitung und Einbeziehen
von Gehörmodellen
bei der Sprachverarbeitung. Als ein Sonderfall der Modellkompensation
ist eine andere Strategie, das Rauschen zu den Trainingszeichen
zu addieren. Mit dieser Technik wird die Fehlanpassung zwischen
Training und Betriebsumgebungen komplett verschwinden. Verglichen
mit Rauschsubtraktion vom Beobachtungssignal ist das Addieren von
Rauschen zu Trainingsdaten einfacher, weil es frei von dem negativen
Leistungsspektrumsproblem ist. Verwenden von rauschverunreinigten
Daten zum Trainieren eines Systems kann die Erkennungsgenauigkeit
bei jener spezifischen Trainingsbedingung dramatisch verbessern.
Für festes
SNR sind die berichteten Ergebnisse besser als jene von anderen
anspruchsvolleren bzw. technisch ausgefeilteren Verarbeitungstechniken
wie beispielsweise spektraler Subtraktion, Kalman Filterung und
spektraler Transformation. Offenbar jedoch können Techniken basierend auf
Rauschaddition zur Sprache den Lombard Effekt nicht verkraften.
Spracherkennung im Rauschen bedingt eine große Vielfalt an Fachwissen über jede
Verarbeitungsstufe. Aufgrund der komplexen Natur der rauschbehafteten
Spracherkennung sind Daten für
genaue vergleichende Leistungsauswertung der Techniken nicht verfügbar.
-
Zusammenfassung
der Erfindung
-
Die
vorliegende Erfindung ist ein System und Verfahren für die automatische
Erkennung von gesprochenen Wörter
oder Sätzen
in Gegenwart von Rauschen bzw. Geräusch, gemäß den unabhängigen Ansprüchen. Bevorzugte
Ausführungsbeispiele
der vorliegenden Erfindung können
den abhängigen
Ansprüchen
entnommen werden.
-
Sprecherabhängige Spracherkennungssysteme
arbeiten in zwei Phasen: einer Trainingsphase und einer Erkennungsphase.
In der Trainingsphase eines herkömmlichen
Spracherkennungssystems wird ein Nutzer aufgefordert, alle der Wörter oder
Sätze bzw.
Satzteile in einem angegebenen Vokabular zu sprechen. Die digitalisierten
Sprachsamples bzw. Abtastungen für
jedes Wort oder Satzglied werden zum Erzeugen einer Vorlage von
Parametern verarbeitet, die die gesprochenen Wörter charakterisieren. Die
Ausgabe der Trainingsphase ist eine Sammlung solcher Vorlagen. In
der Erkennungsphase spricht der Nutzer ein spezielles Wort oder
Satzglied zum Beginnen einer gewünschten
Aktion. Das gesprochene Wort oder Satzglied wird digitalisiert und
verarbeitet zum Erzeugen einer Vorlage, die mit allen den, während des
Trainings erzeugten Vorlagen verglichen wird. Die nächste Übereinstimmung
bestimmt die Aktion, die durchgeführt wird. Die Hauptbeeinträchtigung
bzw. Schwäche,
die die Genauigkeit von Spracherkennungssystemen begrenzt, ist die
Gegenwart von Rauschen. Die Addition von Rauschen während der
Erkennung reduziert die Erkennungsgenauigkeit stark, weil dieses
Rauschen während
dem Training, als die Vorlagedatenbank erzeugt wurde, nicht vorhanden war.
Die Erfindung erkennt die Notwendigkeit spezielle Rauschbedin gungen
zu berücksichtigen,
die während der
Zeit der Erkennung vorhanden sind, um die Erkennungsgenauigkeit
zu verbessern.
-
Statt
Vorlagen von Parametern zu speichern, speichert das verbesserte
Sprachverarbeitungssystem und Verfahren die digitalisierten Sprachsamples
für jedes
gesprochene Wort oder Satzglied in der Trainingsphase. Die Ausgabe
der Trainingsphase ist deshalb eine digitalisierte Sprachdatenbank.
In der Erkennungsphase werden die Rauschcharakteristika bzw. Rauscheigenschaften
in der Audioumgebung kontinuierlich überwacht. Wenn der Nutzer ein
Wort oder Satzglied spricht zum Beginnen der Erkennung wird eine
rauschkompensierte Vorlagedatenbank konstruiert und zwar durch Addieren
eines Rauschsignals zu jedem der Signale in der Sprachdatenbank
und Durchführen
von Parameterbestimmung mit jedem der Sprach- plus Rauschsignale.
Ein Ausführungsbeispiel
dieses addierten Rauschsignals ist ein künstlich synthetisiertes Rauschsignal mit
Eigenschaften ähnlich
denen des aktuellen Rauschens. Ein alternatives Ausführungsbeispiel
ist eine Aufzeichnung des Rauschzeitfensters, das gerade aufgetreten
ist, bevor der Nutzer das Wort oder Satzglied zum Beginnen bzw.
Initiieren der Erkennung gesprochen hat. Da die Vorlagendatenbank,
unter Verwendung der gleichen Rauschart, die in dem gesprochenen
zu erkennenden Wort oder Satzglied vorhanden ist, konstruiert wird,
kann die Spracherkennungseinheit eine gute Übereinstimmung zwischen Vorlagen
finden, die Erkennungsgenauigkeit verbessert.
-
Kurze Beschreibung
der Zeichnungen
-
Die
Merkmale, Ziele und Vorteile der vorliegenden Erfindung werden mit
der unten angegebenen detaillierten Beschreibung offensichtlicher
werden, wenn man diese zusammen mit den Zeichnungen betrachtet, in
denen gleich Bezugszeichen durchweg das Gleiche bezeichnen und wobei:
-
1 ist ein Blockdiagramm
einer Trainingseinheit eines Spracherkennungssystems;
-
2 ist ein Blockdiagramm
einer Spracherkennungseinheit;
-
3 ist ein Blockdiagramm
einer Spracherkennungseinheit, die Spracherkennung mit einer durch Rauschen
geschädigten
Spracheingabe durchführt;
-
4 ist ein Blockdiagramm
einer verbesserten Trainingseinheit eines Spracherkennungssystems; und
-
5 ist ein Blockdiagramm
einer beispielhaften verbesserten Spracherkennungseinheit.
-
Detaillierte
Beschreibung der bevorzugten Ausführungsbeispiele
-
Diese
Erfindung liefert ein System und Verfahren zum Verbessern von Spracherkennungsgenauigkeit, wenn
Rauschen vorhanden ist. Es macht sich die neuesten Fortschritte
in Rechenleistung und Speicherintegration zu Nutze und modifiziert
die Trainings- und Erkennungsphasen, um die Anwesenheit von Rauschen während der
Erkennung zu berücksichtigen.
Die Funktion einer Spracherkennungseinheit ist es die nächste Übereinstimmung
mit einer Erkennungsvorlage zu finden, die mit rauschgeschädigter bzw.
rauschkorrumpierter Sprache berechnet wird. Da die Charakteristika
bzw. Eigenschaften des Rauschens mit Zeit und Ort variieren können, erkennt
die Erfindung, dass die beste Zeit die Vorlagendatenbank zu konstruieren
während
der Erkennungsphase ist.
-
4 zeigt ein Blockdiagramm
einer verbesserten Trainingseinheit 40 eines Spracherkennungssystems.
Im Gegensatz zu den herkömmlichen,
in 1 gezeigten, Trainingsverfahren
ist die Trainingseinheit 40 modifiziert, um den Parameterbestimmungsschritt
zu eliminieren. Anstelle des Speicherns von Vorlagen von Parametern
werden digitalisierte Sprachsamples der aktuellen Wörter und
Sätze gespeichert.
Somit empfängt die
Trainingseinheit 40 als Eingabe Sprachsamples s(n) und
speichert digitalisierte Sprachsamples s(n) in einer Sprachdatenbank 42.
Nach dem Training enthält
die Sprachdatenbank 42M Sprachsignale, wobei M die Anzahl der Wörter in
dem Vokabular ist. Während
das bisherige System und Verfahren des Durchführens der Parameterbestimmung
Information über
die Sprachcharakteristika durch einzig Speichern von Sprachparametern
verliert, kann dieses System und Verfahren alle Sprachinformation
zur Verwendung in der Erkennungsphase aufbewahren bzw. konservieren.
-
5 zeigt ein Blockdiagramm
einer verbesserten Spracherkennungseinheit 50 zur Verwendung
zusammen mit Trainingseinheit 40. Die Eingabe zur Spracherkennungseinheit 50 ist
ein rauschkorrumpiertes bzw. rauschgeschädigtes Sprachsignal r(n). Das
rauschgeschädigte
Sprachsignal r(n) wird vom Summierer 52 generiert durch
Addieren des Sprachsignals x(n) mit dem Rauschsignal w(n). Wie zuvor,
ist der Summierer 52 nicht ein physikalisches Element des
Systems, sondern ein Produkt einer geräuschvollen Umgebung.
-
Spracherkennungseinheit 50 umfasst
Sprachdatenbank 60, die die digitalisierten Samples der
Sprache bzw. Sprach-Samples enthält,
die während
der Trainingsphase aufgezeichnet wurden. Spracherkennungseinheit 50 umfasst
auch Parameterbestimmungsblock 54, durch den das rauschgeschädigte Sprachsignal
r(n) gereicht bzw. gegeben wird zum Produzieren der rauschgeschädigten Vorlage
t1(n). Wie in einem herkömmlichen
Spracherkennungssystem kann der Parameterbestimmungsblock 54 irgendwelche
einer Anzahl von Sprachparameterbestimmungstechniken implementieren.
-
Eine
beispielhafte Parameterbestimmungstechnik verwendet linear prädiktive
Codierung (linear predictive coding, LPC) Analysetechniken. LPC
Analysetechniken modellieren den Vokaltrakt als ein Digitalfilter. Verwendet
man LPC Analyse können
LPC Cepstral-Koeffizienten c(m) berechnet werden als die Parameter zum
Repräsentieren
des Sprachsignals. Die Koeffizienten c(m) werden unter Verwendung
der folgenden Schritte berechnet. Zuerst wird das rauschgeschädigte Sprachsignal
r(n) über
einen Rahmen von Sprach-Samples
gefenstert (windowed) durch Anwenden einer Fensterfunktion v(n): y(n) = r(n)v(n) 0 <= n <= N – 1 (1)
-
In
dem beispielhaften Ausführungsbeispiel
ist die Fensterfunktion v(n) ein Hamming-Fenster und die Rahmengröße N ist
gleich 160. Als Nächstes
wei den die Autokorrelationskoeffizienten über die gefensterten Samples
berechnet unter Verwendung der Gleichung:
-
-
In
dem beispielhaften Ausführungsbeispiel
ist P, die Anzahl der zu berechnenden Autokorrelationskoeffizienten,
gleich der Ordnung des LPC Prädiktors,
die 10 ist. Die LPC Koeffizienten werden dann direkt von den Autokorrelationswerten
unter Verwendung von Durbins Rekusionsalgorithmus berechnet. Der
Algorithmus kann wie folgt angegeben werden:
- 1. E(0) =
R(0), i = 1 (3)
- 2.
- 3. α(i)i = ki (5)
- 4. α(i)j = α(i–1)j – kiα(i–1)i–j 1 <= j <= i – 1 (6)
- 5. E(i) =
(1 - k2i )E(i–1) (7)
- 6. Falls i < P, dann gehe zu
(2) mit i = i + 1. (8)
- 7. Die endgültige
Lösung
für die
LPC Koeffizienten ist gegeben durch aj = α(P)j 1 <= j <=
P (9)
-
Die
LPC Koeffizienten werden dann zu den LPC Cepstral-Koeffizienten
konvertiert unter Verwendung der folgenden Gleichungen: c(0) = ln(R(0)) (10)
-
-
Es
sollte verstanden werden, dass andere Techniken zur Parameterbestimmung
anstelle der LPC Cepstral-Koeffizienten verwendet werden können.
-
Zusätzlich wird
das Signal r(n) zum Sprachdetektionsblock 56 weitergegeben,
der die Anwesenheit oder Abwesenheit von Sprache bestimmt. Sprachdetektionsblock 56 kann
die Anwesenheit oder Abwesenheit von Sprache bestimmen unter Verwendung
irgendeiner einer Anzahl von Techniken. Ein solches Verfahren ist offenbart
in dem oben erwähnten
U.S. Patent Nr. 5,414,796 mit dem Titel "VARIABLE RATE VOCODER". Diese Technik analysiert
den Pegel der Sprachaktivität
um die Bestimmung bezüglich
der Anwesenheit oder Abwesenheit von Sprache zu machen. Der Pegel
der Sprachaktivität
basiert auf der Energie des Signals im Vergleich mit der Energieschätzung des
Hintergrundrauschens. Zuerst wird die Energie E(n) für jeden
Rahmen berechnet, der in einem bevorzugten Ausführungsbeispiel aus 160 Samples
zusammengesetzt ist. Die Energieschätzung des Hintergrundrauschens
B(n) kann dann berechnet werden unter Verwendung der Gleichungen: B(n) = min[E(n), 5059644,
max(1,00547*B(n – 1),
B(n – 1)
+ 1)] (13)
-
Falls
B(n) < 160000 werden
drei Schwellen unter Verwendung von B(n) wie folgt berechnet: T1(B(n)) = –(5,544613 × 10–6)*B2(n) + 4,047152*B(n) + 362 (14) T2(B(n)) = –(1,529733 × 10–5)*B2(n) + 8,750045*B(n) + 1136 (15) T3(B(n)) = –(3,957050 × 10–5)*B2(n) + 18,89962*B(n) + 3347 (16) Falls B(n) > 160000 werden die
drei Schwellen berechnet als: T1(B(n)) = –(9,043945 × 10–8)*B2(n) + 3,535748*B(n) – 62071 (17) T2(B(n)) = –(1,986007 × 10–7)*B2(n) + 4,941658*B(n) + 223951 (18) T3(B(n)) = –(4,838477 × 10–7)*B2(n) + 8,630020*B(n) + 645864 (19)
-
Dieses
Sprachdetektionsverfahren zeigt die Anwesenheit von Sprache an,
wenn die Energie E(n) größer als
die Schwelle T2(B(n)) ist und zeigt die Abwesenheit von Sprache
an, wenn die Energie E(n) kleiner als die Schwelle T2(B(n)) ist.
In einem alternativen Ausführungsbeispiel
kann dieses Verfahren erweitert werden zum Berechnen von Energieschätzungen
des Hintergrundrauschens und Schwellen in zwei oder mehr Frequenzbändern. Zusätzlich sollte
es verstanden werden, dass die in Gleichungen (13)–(19) gelieferten
Werte experimentell bestimmt wurden, und in Abhängigkeit von den Umständen modifiziert
werden können.
-
Wenn
Sprachdetektionsblock 56 bestimmt, dass Sprache abwesend
ist, sendet er ein Steuersignal, das Rauschanalyse, Modellierung
und Syntheseblock 58 aktiviert. Es sollte bemerkt werden,
dass in der Abwesenheit von Sprache das empfangene Signal r(n) das
gleiche wie das Rauschsignal w(n) ist.
-
Wenn
Rauschanalyse, Modellierung und Syntheseblock
58 aktiviert
ist, analysiert er die Eigenschaften des Rauschsignals r(n), modelliert
es und synthetisiert ein Rauschsignal w1(n) das gleiche Eigenschaften
wie das aktuelle Rauschen w(n) hat. Ein beispielhaftes Ausführungsbeispiel
zum Durchführen
von Rauschanalyse, Modellierung und Synthese ist im U.S. Patent
Nr. 5,646,991 offenbart. Dieses Verfahren führt Rauschanalyse durch und
zwar durch Weitergeben des Rauschsignals r(n) durch ein Prädiktionsfehlerfilter,
das gegeben ist durch:
wobei
P, die Ordnung des Prädiktors,
in dem beispielhaften Ausführungsbeispiel
5 ist. Die LPC Koeffizienten a
i, werden
wie früher
erklärt,
unter Verwendung der Gleichungen (1) bis (9) berechnet. Sobald die
LPC Koeffizienten erhalten wurden, können synthetisierte Rausch-Samples
mit den gleichen spektralen Eigenschaften generiert werden und zwar
durch weiterleiten von weißem
Rauschen durch das Rauschsynthesefilter, dass gegeben ist durch:
welches
gerade die Umkehrfunktion des zur Rauschanalyse verwendeten Filters
ist. Nach dem Anwenden eines Skalierungsfaktors auf jedes der synthetisierten
Rausch-Samples, um die bis synthetisierte Rauschenergie gleich der
aktuellen Rauschenergie zu machen, ist die Ausgabe das synthetisierte
Rauschen w1(n).
-
Das
synthetisierte Rauschen w1(n) wird zu jedem Satz der digitalisierten
Sprach-Samples in der Sprachdatenbank 60 durch den Summierer 62 addiert,
zum Erzeugen von Sätzen
mit synthetisiertem Rauschen geschädigten Sprach-Samples. Dann
wird jeder Satz mit synthetisiertem Rauschen geschädigten Sprach-Samples
durch Parameterbestimmungsblock 64 durchgeleitet, der einen
Satz von Parametern generiert für
jeden Satz mit synthetisiertem Rauschen geschädigten Sprach-Samples unter
Verwendung der gleichen Parameterbestimmungstechnik, die im Parameterbestimmungsblock 54 verwendet
wird. Parameterbestimmungsblock 54 produziert eine Vorlage
von Parametern für
jeden Satz der Sprach-Samples und die Vorlagen werden in der rauschkompensierten
Vorlagedatenbank 66 gespeichert. Rauschkompensierte Vorlagedatenbank 66 ist
ein Satz von Vorlagen, der konstruiert wird als ob herkömmliches
Training stattgefunden hätte und
zwar bei der gleichen Art von Rauschen das während der Erkennung vorhanden
ist. Man beachte, dass es viele mögliche Verfahren zum Erzeugen
von geschätztem
Rauschen w1(n) zusätzlich
zu dem im US-Patent Nr. 5,646,991 offenbarten Verfahren gibt. Ein
alternatives Ausführungsbeispiel
ist einfach ein Zeitfenster des aktuell vorhandenen Rauschens aufzunehmen
und zwar wenn der Nutzer still ist und verwenden dieses Rauschsignals
als das geschätzte
Rauschen w1(n). Das Zeitfenster des Rauschens, das aufgezeichnet
wurde, genau bevor das zu erkennende Wort oder Satzglied gesprochen
wurde, ist ein beispielhaftes Ausführungsbeispiel dieses Verfahrens.
Noch ein anderes Verfahren ist es, über Verschiedene über eine
spezifizierte Dauer erhaltene Rauschfenster zu mitteln.
-
Noch
Bezug nehmend auf 5 vergleicht
Mustervergleichsblock 68 die rauschgeschädigte Vorlage t1(n)
mit allen den Vorlagen der rauschkompensierten Vorlagedatenbank 66.
Da die Rauscheffekte mit den Vorlagen der rauschkompensierten Vorlagedatenbank 66 eingeschlossen
sind, ist Entscheidungsblock 70 fähig eine gute Übereinstimmung
für t1(n)
zu finden. Durch Berücksichtigen
der Rauscheffekte in dieser Art und Weise wird die Genauigkeit des
Spracherkennungssystems verbessert.
-
Die
vorhergehende Beschreibung der bevorzugten Ausführungsbeispiele ist vorgesehen
es einem Fachmann zu ermöglichen
die vorliegende Erfindung nachzuvollziehen oder zu verwenden. Die
verschiedenen Modifikationen an diesen Ausführungsbeispielen werden dem
Fachmann leicht ersichtlich werden und die hierin definierten generischen
Prinzipien können
ohne die Verwendung erfinderischer Fähigkeit auf andere Ausführungsbeispiele
17932 angewendet werden.
welches gerade die Umkehrfunktion des zur Rauschanalyse verwendeten Filters ist. Nach dem Anwenden eines Skalierungsfaktors auf jedes der synthetisierten Rausch-Samples, um die bis synthetisierte Rauschenergie gleich der aktuellen Rauschenergie zu machen, ist die Ausgabe das synthetisierte Rauschen w1(n).