ES2245418T3 - Procedimiento para la creacion de segmentos de referencia que describen modulos de voz y procedimiento para la modelizacion de unidades de voz de un modelo de prueba de voz. - Google Patents
Procedimiento para la creacion de segmentos de referencia que describen modulos de voz y procedimiento para la modelizacion de unidades de voz de un modelo de prueba de voz.Info
- Publication number
- ES2245418T3 ES2245418T3 ES02801278T ES02801278T ES2245418T3 ES 2245418 T3 ES2245418 T3 ES 2245418T3 ES 02801278 T ES02801278 T ES 02801278T ES 02801278 T ES02801278 T ES 02801278T ES 2245418 T3 ES2245418 T3 ES 2245418T3
- Authority
- ES
- Spain
- Prior art keywords
- voice
- temporary
- training
- model
- modules
- 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 - Lifetime
Links
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000012360 testing method Methods 0.000 title claims description 45
- 239000013598 vector Substances 0.000 claims abstract description 71
- 238000012549 training Methods 0.000 claims abstract description 46
- 230000002123 temporal effect Effects 0.000 claims abstract description 22
- 238000013518 transcription Methods 0.000 claims abstract description 6
- 230000035897 transcription Effects 0.000 claims abstract description 6
- 230000011218 segmentation Effects 0.000 claims abstract description 4
- 230000033458 reproduction Effects 0.000 claims description 29
- 238000000926 separation method Methods 0.000 claims description 23
- 230000003595 spectral effect Effects 0.000 claims description 8
- 230000006978 adaptation Effects 0.000 claims description 3
- 230000014509 gene expression Effects 0.000 description 11
- 239000011159 matrix material Substances 0.000 description 5
- 230000002093 peripheral effect Effects 0.000 description 4
- 230000007704 transition Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001755 vocal effect Effects 0.000 description 2
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000005311 autocorrelation function Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
- G10L15/063—Training
-
- 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
- G10L15/08—Speech classification or search
- G10L15/12—Speech classification or search using dynamic programming techniques, e.g. dynamic time warping [DTW]
-
- 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
- G10L2015/025—Phonemes, fenemes or fenones being the recognition units
-
- 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
- G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
- G10L15/063—Training
- G10L2015/0631—Creating reference templates; Clustering
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (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)
- Machine Translation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
Procedimiento para crear segmentos de referencia que describen módulos de voz a partir de señales de voz de entrenamiento pronunciadas para sistemas de reconocimiento de voz, con las siguientes etapas: - segmentación de la señal de voz de entrenamiento en módulos de voz correspondientes a una trascripción predeterminada, - análisis de la señal de entrenamiento en una cuadrícula temporal predeterminada con determinadas ventanas temporales para obtener al menos un vector característico para cada ventana temporal, de tal modo que se configuran modelos de entrenamiento que contienen en cada caso vectores característicos en la sucesión temporal de la señal de voz de entrenamiento, - determinación de una estructura temporal intermedia que es una manifestación intermedia de la duración de variación y de la sucesión temporal de las características de los módulos de voz, para cada uno de los módulos de voz con una secuencia de ventanas temporales, - asociación de los vectores característicos por medio de una reproducción temporal no lineal a las ventanas temporales de los módulos de voz y almacenamiento de los vectores característicos asociados en cada caso a un módulo de voz en la sucesión predeterminada por las ventanas temporales, como segmento de referencia.
Description
Procedimiento para la creación de segmentos de
referencia que describen módulos de voz y procedimiento para la
modelización de unidades de voz de un modelo de prueba de voz.
Procedimiento para la creación de segmentos de
referencia que describen módulos de voz y procedimiento para la
modelización de unidades de voz de un modelo de prueba de
pronunciado.
La invención se refiere a un procedimiento para
la creación de segmentos de referencia que describen módulos de voz
y a un procedimiento para la modelización de unidades de voz de un
modelo de prueba de voz en un sistema de reconocimiento de voz.
Anteriormente, los sistemas de reconocimiento de
voz convencionales se basan en el principio de alineamiento
temporal dinámico (Dynamic time Warping, DTW). En este caso, para
cada palabra se almacena como modelo de referencia una sucesión
completa de vectores característicos -obtenidos por una expresión de
entrenamiento para esta palabra- y, en la fase operativa, se
compara con un modelo de prueba de una señal de voz que va a
reconocerse, por medio de una correspondencia no lineal. Con la
comparación se determina la separación mínima entre el respectivo
modelo de referencia y el modelo de prueba, y el modelo de
referencia con la separación más pequeña con respecto al modelo de
prueba se selecciona como el modelo de referencia que describe el
modelo prueba adecuada-
mente.
mente.
En este procedimiento resulta desventajoso que
deba establecerse un modelo de referencia para cada palabra que va
a reconocerse, por lo que el libro de códigos que contiene los
modelos de referencia es muy extenso y el esfuerzo de entrenar un
sistema de reconocimiento de voz de este tipo, en el que para cada
palabra se almacena un modelo de referencia, es consecuentemente muy
grande. En este caso no es posible generar modelos de referencia
para palabras que se desvían del vocabulario aprendido. Según esta
publicación, se explican las características que representan los
modelos de referencia, que se registran en cada caso para ventanas
de análisis consecutivas con una separación de, por ejemplo, 10 ms
mediante la función de autocorrelación, y que en lo sucesivo se
indican como características de autocorrelación, y las
características espectrales. Las características de autocorrelación
describen la señal de voz contenida en la ventana de análisis en el
intervalo temporal y las características espectrales, que se
registran mediante una transformación de Fourier, describen las
señales de voz en el intervalo de frecuencia. Además, se comentan
algunas medidas de separación diferentes para determinar una
separación entre dos vectores característicos. Para mejorar el
reconocimiento independientemente del hablante, en este
procedimiento conocido se crean para cada palabra varios modelos de
referencia, determinándose los modelos de referencia de nuevo a
partir de varias señales de entrenamiento. En este caso, se
determinan tanto la estructura temporal del modelo de referencia
completo como la estructura característica. Para la creación de
grupos de modelos de referencia, que están asociados en cada caso a
una palabra, y que presentan una estructura temporal determinada,
los modelos de entrenamiento no lineales se reproducen sobre un
modelo intermedio asociado a esta palabra o a esta clase de
palabra, y después se realiza de forma separada un agrupamiento de
los vectores característicos del modelo de entrenamiento y del
modelo de referencia presente ya en la clase para cada ventana de
análisis.
Con este procedimiento especial puede lograrse
una tasa de reconocimiento muy buena, aunque está sujeto sin
embargo a las desventajas ya mencionadas del procedimiento DTW.
Los sistemas de reconocimiento de voz más nuevos
se basan en el procedimiento HMM (modelos ocultos de Markov). En
este caso, en la fase de entrenamiento se recogen segmentos de voz
(por ejemplo fonemas o sílabas) de muchas señales de voz de
diferentes palabras y se dividen en nodos (por ejemplo un nodo por
cada sonido inicial - intermedio - sonido final). Los vectores
característicos que describen las señales de voz se asocian al nodo
y se almacenan en un libro de códigos.
Durante el reconocimiento de voz, el modelo de
prueba se reproduce mediante una reproducción no lineal (por
ejemplo con ayuda del algoritmo de Viterbi) en una sucesión de
nodos definida por la trascripción (por ejemplo una descripción
fonética) de la palabra. Puesto que los nodos sólo describen
segmentos de palabra, pueden crearse modelos de referencia mediante
el enlace de nodos o segmentos para prácticamente cualquier palabra
de una lengua. Puesto que en una lengua generalmente hay claramente
menos fonemas o sílabas que palabras, la cantidad de nodos es
esencialmente menor que la cantidad de modelos de referencia que
describen palabras completas que deben almacenarse en el
procedimiento DTW. Por esto, el esfuerzo de entrenamiento del
sistema de reconocimiento de voz se reduce notablemente con
respecto al procedimiento DTW.
Sin embargo, en este procedimiento es
desventajoso que, dentro de un nodo, ya no pueda determinarse la
sucesión temporal de vectores característicos. Esto resulta
problemático especialmente en el caso de segmentos largos -como por
ejemplo una "a" larga-, a los que se adaptan a menudo muchos
vectores característicos de nodos parecidos, a pesar de que la
sucesión temporal de los vectores no concuerde. Por este motivo, la
tasa de reconocimiento puede verse perjudicada
considerablemente.
En Aibar P. et al.: "Multiple template
modeling of sublexical units", en: "Speech Recognition and
Understanding", páginas. 516 a 524, Editorial Springer, Berlin,
1992, así como en Castro M. J. et al.: "Automatic selection
of sublexic templates by using dynamic time warping techniques",
en: "Proceedings of the European Signal Processing
Conference", volumen 5, Nº 2, páginas. 1351 a 1354, Barcelona,
1990, se describe una segmentación de una señal de voz de
entrenamiento en módulos de voz y un análisis para registrar un
vector característico. En este caso también se realizan divisiones.
En Ney H.: "The use of a one-stage dynamic
programming algorithms for connected Word recognition", en:
"IEEE Transactions of Acoustics, Speech, and Signal
Processing", páginas. 263 a 271, vol. ASSP-32, Nº
2, 1984, se da a conocer un reconocimiento de palabras en un
oración expresad de forma continua, en el que se emplea una
plantilla de referencia para cada palabra.
El objetivo de la invención se basa, por lo
tanto, en crear un procedimiento para generar segmentos de
referencia que describen módulos de voz y un procedimiento para la
modelización de unidades de voz, con los que en un sistema de
reconocimiento de voz puedan lograrse altas tasas de reconocimiento
con un esfuerzo de entrenamiento bajo.
El objetivo se alcanza por un procedimiento para
crear segmentos de referencia que describen módulos de voz con las
características de la reivindicación 1 y por un procedimiento para
la modelización de unidades de voz con las características de la
reivindicación 8. Las configuraciones ventajosas de la invención se
exponen en las reivindicaciones dependientes.
El procedimiento emplea o crea segmentos de
referencia que describen módulos de voz, que contienen
características estructuradas temporalmente.
Estos segmentos de referencia se crean en una
fase de entrenamiento, que por ejemplo puede desarrollarse de la
siguiente manera:
- -
- selección de unidades inferiores de palabra adecuadas como módulos de voz (fonemas, difonemas, sílabas,...)
- -
- determinación de una estructura temporal intermedia para la sucesión de los vectores característicos para los módulos de voz seleccionados entre una pluralidad de ejemplos de voz,
- -
- selección y asociación de vectores característicos para cada una de las ventanas temporales de la estructura temporal típica,
- -
- almacenamiento de los modelos determinados de esta manera para cada módulo de voz, que representan los segmentos de referencia y están formados por vectores característicos, y que se disponen en un libro de códigos de forma correspondiente a la estructura temporal.
La fase de reconocimiento puede desarrollarse,
por ejemplo, de la siguiente manera:
- -
- combinación de los segmentos de referencia en un modelo de referencia para una unidad de voz, como por ejemplo una palabra que va a reconocerse (por ejemplo correspondiente a la descripción fonética de esta palabra),
- -
- realización de una comparación no lineal del modelo de prueba que va a reconocerse con los modelos de referencia y determinación, en cada caso, de una separación total entre los modelos de referencia y el modelo de prueba, empleándose para cada ventana temporal la separación mínima entre el vector característico del modelo de prueba y los vectores característicos típicos de los módulos de voz asociados a través de la comparación no lineal,
- -
- selección del modelo de referencia con la separación más pequeña con respecto al modelo de prueba.
El procedimiento según la invención emplea un
libro de códigos en el que se registran los segmentos de referencia
que describen módulos de voz con características estructuradas
temporalmente, es decir, que las características se almacenan en
una sucesión determinada como segmentos de referencia.
Resultan ventajas esenciales muy especialmente,
cuando los módulos de voz individuales de un modelo de referencia,
como por ejemplo una palabra, son por ejemplo un fonema, un
difonema, un trifonema o una sílaba. De esta manera, las ventajas
de los sistemas DTW y HMM pueden combinarse, manteniéndose, por un
lado, la estructura temporal, pero, por otro lado, pudiéndose
generar también modelos de referencia para nuevas palabras a partir
de las sílabas previstas.
Estos módulos de voz se describen por segmentos
de referencia con una estructura temporal típica, de modo que para
cada sección de tiempo de un módulo de voz puede preverse uno o más
vectores característicos. Estas sucesiones de características o
vectores característicos con las respectivas características
alternativas para cada ventana temporal describen los módulos de
voz, tal como aparecen típicamente en el modelo de entrenamiento.
Mediante la combinación de varios segmentos de referencia en un
modelo de referencia, se obtiene un modelo de referencia, cuyo
módulo de voz contiene la estructura temporal determinada en el
entrenamiento del sistema de reconocimiento de voz, con lo que el
modelo de referencia formado de esta manera se estructura
temporalmente de manera precisa, como es el caso en los
procedimientos DTW conocidos.
Sin embargo, puesto que los segmentos de
referencia sólo describen módulos de voz individuales en cada caso,
en la fase de entrenamiento únicamente deben crearse aquellos
segmentos de referencia que crean módulos de voz, cuya cantidad es
esencialmente inferior a la cantidad de modelos de referencia según
el procedimiento DTW.
En comparación con los sistemas de reconocimiento
de voz conocidos basados en el procedimiento HMMM, con el
procedimiento según la invención se obtiene una estructuración
temporal esencialmente más precisa de los modelos de referencia, ya
que los vectores característicos asociados a un nodo del
procedimiento HMM se almacenan sin información temporal y, por este
motivo, el procedimiento HMM no presenta una estructuración temporal
dentro de un nodo. Esta diferencia conduce a un aumento esencial de
la tasa de reconocimiento mediante el procedimiento según la
invención con respecto al procedimiento HMM.
En lo que respecta al procedimiento HMM conocido
resulta además ventajoso también que no sea necesario crear
segmentos de referencia especiales que tengan en cuenta el contexto
-es decir, los segmentos adyacentes-, ya que la mayor varianza en
los intervalos de transición entre módulos de voz adyacentes pueden
representarse mediante alternativas características adicionales
para cada ventana temporal. Además, con la invención se dividen
módulos de voz temporalmente largos en varias ventanas temporales
como módulos de voz cortos, de tal manera que la descripción de los
módulos de voz individuales se consigue en módulos de voz tanto
cortos como largos con la misma calidad. Por el contrario, en el
procedimiento HMM conocido, los módulos de voz se representan por
una determinada cantidad fijada arbitrariamente de nodos, que es
independiente de la longitud de los módulos de voz.
El procedimiento según la invención para crear
segmentos de referencia para la modelización de unidades de voz
comprende las siguientes etapas:
- -
- segmentación de la señal de voz de entrenamiento en módulos de voz según una trascripción prevista,
- -
- análisis de la señal de entrenamiento en una cuadrícula temporal predeterminada con determinadas ventanas temporales para obtener al menos un vector característico para cada ventana temporal, con lo cual se configuran modelos de entrenamiento, que contienen en cada caso vectores característicos en la sucesión temporal de la señal de voz de entrenamiento,
- -
- determinación de una estructura temporal intermedia para cada uno de los módulos de voz con una secuencia de ventanas temporales,
- -
- asociación, por medio de una reproducción temporalmente no lineal de los vectores característicos, de las ventanas temporales del módulo de voz y almacenamiento de los vectores característicos asociados en cada caso a un módulo de voz en la sucesión prevista por las ventanas temporales como segmento de referencia.
Con este procedimiento se crean segmentos de
referencia que contienen vectores característicos presentes en la
sucesión temporal de la señal de voz de entrenamiento y que se
pueden asociar en cada caso a un módulo de voz. De esta manera, la
estructura temporal de la señal de voz de entrenamiento se
representa en los segmentos de referencia y, dado que los segmentos
de referencia pueden asociarse en cada caso a un módulo de
referencia, es posible concatenar a partir de los segmentos de
referencia un modelo de referencia correspondiente a una
palabra.
La invención se explicará más detalladamente a
continuación, a modo de ejemplo, con ayuda de los dibujos. En los
dibujos muestran:
la figura 1, esquemáticamente el procedimiento
para la creación de segmentos de referencia (en la fase de
entrenamiento),
la figura 2, esquemáticamente vectores
característicos agrupados del módulo de voz "a", obtenidos a
partir de ejemplos de voz con diferentes contextos,
la figura 3, el procedimiento de modelización de
unidades de voz en un diagrama de flujo, y
la figura 4, esquemáticamente una matriz de
reproducción con los modelos de referencia, formada por segmentos
de referencia y el modelo de prueba,
la figura 5, un reconocimiento de voz según un
sistema de reconocimiento de voz HMM,
la figura 6, una determinación de la sucesión
temporal intermedia en la estructura de fonemas "ts",
la figura 7, una determinación de la sucesión
temporal intermedia en la estructura de fonemas "ai",
la figura 8, un procedimiento empleado en la
división para la reproducción no lineal, así como la proyección
sobre un modelo resultante,
la figura 9, una búsqueda durante el
reconocimiento con el sistema de reconocimiento de voz HMM
correspondiente a los estados, según el estado de la técnica,
la figura 10, una búsqueda durante el
reconocimiento con modelos de referencia según el procedimiento
propuesto.
El procedimiento según la invención para la
modelización de módulos de voz en sistemas de reconocimiento de voz
emplea un libro de códigos en el que se almacenan segmentos de
referencia que describen en cada caso un módulo de voz con
características estructuradas temporalmente. En la presente forma de
realización, los módulos de voz representan en cada caso fonemas o
diptongos y las características estructuradas temporalmente son
vectores característicos espectrales que se almacenan en los
segmentos de referencia en la sucesión, que corresponde a una señal
de voz típica del respectivo módulo de voz.
Los segmentos de referencia se dividen en
ventanas temporales, pudiendo asociarse cada ventana temporal con
varios vectores característicos como alternativas. Los fonemas
cortos, por ejemplo una "t", pueden presentar únicamente una
sola ventana temporal. Generalmente, sin embargo, se prevén varias
ventanas temporales, cuya cantidad resulta de la duración de los
fonemas o diptongos individuales, durante la creación de los
segmentos de referencia, dividida por la duración de las ventanas
temporales.
La cantidad de vectores característicos por
ventana temporal puede variar. En el presente ejemplo de
realización la cantidad de vectores característicos máxima por
ventana temporal se limita a tres. En el marco de la presente
invención, puede ser conveniente limitar la cantidad máxima de
vectores característicos esencialmente a valores mayores, como por
ejemplo de 10 a 15, o no prever ningún límite correspondiente.
El principio fundamental de la presente invención
se basa en que, para la fase de reconocimiento, los segmentos de
referencia estructurados temporalmente se combinan en un modelo de
referencia y el modelo de referencia se compara con un modelo de
prueba, que se deriva de una señal de voz pronunciada y que va a
reconocerse.
La figura 1 muestra el desarrollo de un
procedimiento para crear segmentos de referencia para la
modelización de unidades de voz. El procedimiento comienza con la
recogida de expresiones de entrenamiento con la aparición repetida
de todos los módulos (S10) de voz necesarios junto con la
trascripción correspondiente. Estos datos se depositan en una base
D1 de datos que comprende las señale de voz pronunciadas y la
correspondiente identificación fonética. El contenido de esta base
D1 de datos se separa según una trascripción prevista en registros
D2 de datos, que se asocian, en cada caso, a un fonema o diptongo
individual o a otros módulos de voz adecuados (S11).
Los datos de voz almacenados en las registros D2
de datos se analizan en una cuadrícula temporal fija, es decir, que
las señales de voz de entrenamiento se subdividen en ventanas
temporales t, de tal modo que se obtienen modelos de entrenamiento
que contienen en cada caso vectores característicos en la sucesión
temporal de la señal de voz de entrenamiento y pueden asociarse en
cada caso a un módulo de voz. Estos modelos de entrenamiento se
almacenan en los registros D3 de datos.
Para cada módulo de voz se determina un modelo de
entrenamiento intermedio con una estructura temporal obtenida y una
estructura característica obtenida. A este respecto, para los
modelos presentes de un módulo de voz, se determina un desarrollo
temporal intermedio y también una manifestación intermedia de las
características. Esto puede realizarse, por ejemplo, mediante una
reproducción no lineal, tal como se describe, por ejemplo, en los
capítulos 4.2 y 4.3 de "Sprecherunabhängigkeit und
Sprechadaption", Bernhard R. Kämmerer, Informatik Fachberichte
244, Editorial Springer, 1990. En este caso se obtiene, en primer
lugar, a partir de las estructuras temporales individuales del
modelo de entrenamiento, mediante una reproducción no lineal, una
estructura temporal intermedia, y se determinan los vectores
característicos asociados en este caso. Estos modelos intermedios
se almacenan en registros D4 de datos.
Mediante una estructura temporal intermedia
representativa, es decir, una manifestación intermedia de la
duración de variación y la sucesión temporal de características de
los módulos de voz, se mantiene la posibilidad para la adaptación
temporal no lineal de compensar las distorsiones más pequeñas.
A partir de los datos almacenados en los
registros D3 y D4 de datos, se agrupan (S14) para cada ventana
temporal del modelo intermedio de un módulo de voz determinado, los
vectores característicos de todos los modelos. Como procedimiento de
agrupamiento pueden utilizarse planteamientos conocidos, como el
algoritmo de Leader, algoritmo de K-means u otros.
De ahí se produce para cada módulo de voz, un modelo que se
representa mediante uno o varios vectores característicos por
ventana temporal. Estos modelos forman los segmentos de referencia
según la invención, que se almacenan en registros D5 de datos
adicionales. Los registros D5 de datos forman el resultado del
procedimiento según la invención y son la base para el
reconocimiento posterior.
Mediante una combinación de la división de las
estructuras temporales con un agrupamiento de las características
asociadas, pueden evitarse las desventajas mencionadas de los
reconocedores de voz HMM.
La figura 2 muestra esquemáticamente los vectores
característicos agrupados del módulo de voz "a", que se ha
obtenido de los ejemplos de voz con diferente contexto. En este
caso, no se prevé ninguna cantidad fija de vectores característicos
alternativos por ventana temporal, sino que se deja que el
procedimiento de agrupamiento determine la cantidad según la
varianza. En la zona intermedia resultan menos vectores
característicos que en la zona periférica, ya que los vectores
característicos de ejemplos de voz distintos se parecen mucho en la
zona intermedia, pero debido a los diferentes contextos se
diferencian mucho en la zona periférica. En consecuencia, en las
zonas periféricas se producen como resultado del procedimiento de
agrupamiento más vectores característicos que representan estas
diferencias.
Puesto que las diferencias contextuales pueden
representarse en las zonas periféricas de los módulos de voz
mediante vectores característicos alternativos, no es necesario
formar segmentos de referencia completos para módulos de voz en
diferentes contextos, como es el caso de los procedimientos HMM
conocidos, de tal modo que la cantidad de módulos de voz en la
invención puede mantenerse esencialmente baja.
La figura 3 muestra esquemáticamente el
procedimiento según la invención para la modelización de unidades
de voz de un modelo de prueba pronunciado en un sistema de
reconocimiento de voz en forma de un diagrama de flujo. En la figura
4 se indica, para la situación del reconocimiento de una expresión
de prueba, una matriz de reproducción en forma de un sistema de
coordenadas.
Este procedimiento emplea un libro de códigos en
el que se almacenan los segmentos de referencia estructurados
temporalmente. En el presente ejemplo de realización, los módulos
de voz representan en cada caso fonemas o diptongos y las
características estructuradas temporalmente son vectores
característicos espectrales que se almacenan en los segmentos de
referencia en la sucesión que corresponde a una señal de voz típica
del módulo de voz respectivo. El procedimiento emplea además una
base de datos en la que se almacenan unidades de voz con su
descripción fonética. En el presente ejemplo de realización, las
unidades de voz son palabras y la descripción fonética de las
palabras mostradas en la figura 4 "eins" y "zwei" es:
- "ai""n""s" y "t" "s" "w" "ai"
El procedimiento empieza con la etapa S1.
En la etapa S2 una señal de voz que va a
reconocerse por un sistema de reconocimiento de voz se transforma
en un modelo de prueba, convirtiendo la señal de voz en vectores
característicos espectrales correspondientes. Estos vectores
característicos del modelo de prueba se representan
esquemáticamente a lo largo de la abcisa.
En la etapa 3 los segmentos de referencia se
concatenan, en cada caso, según la descripción fonética de las
palabras almacenadas en la base de datos, en un modelo de
referencia.
Puesto que, en los segmentos de referencia, los
vectores característicos se asocian a determinadas ventanas t
temporales y se determina su sucesión, los modelos de referencia
forman una secuencia que se extiende por varios fonemas y diptongos
de vectores característicos ordenados temporalmente y, por tanto,
estructurados temporalmente.
Junto a la ordenada se representan
esquemáticamente los fonemas y diptongos individuales para las
palabras "eins" y "zwei", es decir "ai", "n",
"s" y "t"... "ai" junto con los segmentos de
referencia correspondientes. Estos segmentos de referencia RS se
dividen según la ventana t temporal de la fase de análisis, en de 1
a 4 ventanas t temporales de una duración predeterminada. Cada
segmento de referencia presenta en este sentido para cada ventana de
referencia tres vectores MV característicos en cada caso.
En la etapa S4 los vectores característicos del
modelo de prueba se representan con una reproducción temporal no
lineal de las características de los segmentos de referencia del
modelo de referencia (= combinaciones de vectores característicos
consecutivos de una palabra). Estos tipos de reproducciones no
lineales pueden realizarse según los procedimientos DTW empleados
habitualmente anteriormente, o según el algoritmo Viterbi. Estas
reproducciones no lineales son adecuadas para el reconocimiento
tanto de manera aislada como también de manera conjunta de palabras
pronunciadas (discurso fluido).
En esta reproducción, los modelos de prueba se
reproducen en todos los modelos de referencia, y entre los modelos
de referencia y el modelo de prueba se calculan las separaciones
correspondientes según una medida de separación predeterminada. En
la matriz de reproducción se muestran recorridos de distorsión VP,
con los que se reproducen los vectores característicos del modelo
de prueba en los modelos de referencia.
Se conocen distintas medidas de separación en el
estado de la técnica (véase por ejemplo capítulos 3.5.1 en Bernhard
R. Kämmerer: "Sprecherunabhängigkeit und Sprechadaption",
Informatik Fachberichte 244, Editorial Springer, 1990).
Sin embargo, durante la reproducción, a
diferencia de los procedimientos anteriores, en cada asociación de
una ventana temporal de la expresión de prueba con una ventana
temporal de los modelos de referencia, se forma la separación más
pequeña entre el vector característico de prueba y los vectores
característicos de referencia alternativos presentes.
De forma correspondiente a las normas de la
reproducción no lineal, estas distancias mínimas individuales se
acumulan a lo largo del recorrido de distorsión en una separación
total para la palabra.
En el marco de la invención también es posible
emplear procedimientos de "poda" (Pruning) al comparar el
modelo de prueba con los modelos de referencia, o limitar la
cantidad de modelos de referencia que van a compararse con el modelo
de prueba mediante el empleo de modelos de voz.
En la etapa S5 el modelo de referencia que
presenta la separación total más pequeña con el modelo de prueba,
se selecciona como resultado del reconocimiento. Los recorridos de
distorsión impresos en negrita indican la reproducción en el modelo
de referencia seleccionado.
Preferiblemente, la distorsión máxima de los
recorridos de distorsión se limita a una determinada zona de
trabajo, es decir, que no deben reproducirse más como una
determinada cantidad n de vectores característicos del modelo de
prueba en una ventana temporal del modelo de referencia, ni debe
reproducirse un vector característico en más de la determinada
cantidad n de ventanas temporales. n es un número entero en el
intervalo de 2 a 5. Esto tiene como consecuencia que el recorrido de
distorsión en la matriz de reproducción se desarrolla dentro de un
recorrido k (figura 4).
En el procedimiento descrito anteriormente, cada
vector característico describe una señal de voz para una ventana
temporal con una duración predeterminada, que se sitúa en el
intervalo de 5 ms a 20 ms y preferiblemente es de 10 ms. En lugar de
características espectrales pueden emplearse también
características de autocorrelación u otras características
adecuadas, como por ejemplo características CPL (coeficientes de
predicción lineales), características MFCC (coeficientes de filtro
Mel) o características CC (coeficientes cepstrales).
En el ejemplo anterior, cada segmento de
referencia representa un fonema o un diptongo. En el marco de la
invención, sin embargo, es posible que los segmentos de referencia
representen difonemas, trifonemas, sílabas u otras unidades
secundarias adecuadas. Igualmente una unidad de voz puede
representar además de una palabra también una frase o similar.
Los segmentos de referencia según la invención
describen módulos de voz por medio de vectores característicos,
almacenándose los vectores característicos en una sucesión típica
que resulta de los datos de voz de entrenamiento. Para cada vector
característico se indican vectores característicos alternativos.
Durante la modelización de unidades de voz más grandes, los
segmentos de referencia se combinan para describir las unidades de
voz, de modo que se reconoce con un esfuerzo de entrenamiento muy
bajo cualquier palabra. El reconocimiento se basa en una
reproducción no lineal, mediante la que se toman los vectores
característicos alternativos para determinar la coincidencia local.
La reproducción no lineal puede usarse tanto para una sola palabra
pronunciada como para un discurso continuo.
Las diferencias con los reconocedores de voz HMM
y la determinación de la estructura temporal intermedia deben
aclararse a continuación con más detalle por medio de las
reproducciones 1 a 5.
En los sistemas de reconocimiento de voz HMM del
estado de la técnica con un reconocimiento independiente del
hablante, se recogen para el entrenamiento de un idioma muestras de
voz de muchísimos hablantes. En este caso se realiza la selección de
las referencias para la fase de reconocimiento posterior, de tal
modo que
- 1.
- se pronuncian según la pauta expresiones de entrenamiento,
- 2.
- las señales de voz resultantes se analizan (frecuencia) en una cuadrícula fija (10 ms-20 ms) (frecuencia -)y se almacenan las características,
- 3.
- la sucesión de características (iterativa) se divide temporalmente de acuerdo con la trascripción fonética, de modo que la mayoría de las veces cada fonema se divide adicionalmente en una cantidad fija de estados (por ejemplo 3 estados: inicio del fonema - núcleo del fonema - final del fonema),
- 4.
- a partir de las características individuales de todas las secciones de todas las expresiones que corresponden a un estado, se selecciona una cantidad de representantes (por ejemplo por un procedimiento de agrupamiento), que se depositan en un libro de códigos para la fase de reconocimiento posterior. Alternativamente también pueden depositarse distribuciones de los componentes característicos.
Después, están representados en el libro de
códigos para cada fonema por ejemplo 3 grupos con varios
representantes en cada caso:
- Inicio
- característica a (A,1)
- \quad
- ...
- \quad
- característica a (a,x)
- Intermedio
- característica a (M,1)
- \quad
- ...
- \quad
- característica a (M,y)
- Final
- característica a (E,1)
- \quad
- ...
- \quad
- característica a (E,z)
Es importante que dentro del estado ya no haya
una sucesión de las características. Todas pueden aparecer en cada
lugar con la misma probabilidad.
En la fase de reconocimiento (búsqueda Viterbi),
las característica de la señale que va a reconocerse se comparan
con los representantes (por ejemplo cálculo de la separación).
Dentro de un estado se selecciona entonces la separación mínima. En
este caso, la sucesión original de las características dentro de un
estado no juega ningún papel. El tiempo de permanencia en un estado
o se define a través de la probabilidad de repetición fija en
comparación con la probabilidad de transición al siguiente estado
(disminución exponencial de la probabilidad global según la
cantidad de repeticiones) o se regula mediante una duración
intermedia determinada por los datos de entrenamiento (por ejemplo
distribución de la probabilidad de Gaus en la duración). La
estructura aproximada se define sólo por la sucesión de los estados
(es decir, debe pasar en primer lugar por la reproducción no lineal
(Viterbi) desde el estado de "inicio" a través del estado
"intermedio" hasta el estado "final".
De ello se deducen las siguientes
desventajas:
- -
- Representación temporal no adecuada. La división fija en por ejemplo 3 estados no se ajusta a la duración muy diferente de las manifestaciones reales de fonemas. Una "a" o un sonido vocal "ai" por ejemplo puede durar mucho (tal vez 20 ventanas de análisis = 200 ms), entonces se reproducen muchas características en un estado. Esto corresponde a una representación aproximada no proporcionada. Una "p" puede ser muy corta (tal vez solo 3 ventanas de análisis), por lo que resulta una modelización muy precisa.
- -
- Selectividad reducida. En fonemas largos, la búsqueda Viterbi puede extraer los representantes más adecuados para cada estado. Esto puede conducir a que, por ejemplo, un representante que se encuentra en realidad en el final del estado sea tomado para una zona mayor de la señal de prueba. Lo que tiene como consecuencia una separación total demasiada pequeña en conjunto y una pérdida de diferenciabilidad, especialmente esto se refiere a palabras cuyos fonemas son muy parecidos y se origina por un error de análisis una determinada superposición de las características.
- -
- Distorsión temporal aproximada en la reproducción. Dado que la señal de prueba "se separa totalmente" (es decir, en la sucesión original de 10 ms de las características), aunque las referencias se representan con los pocos estados, la reproducción debe situar también secciones mayores de la señal de prueba en un estado. De esta manera, se pierde que la velocidad de habla sólo puede variar en unos límites estrechos. (En este caso un es que, por ejemplo, los sistemas de dictado pueden tratar mejor expresiones pronunciadas rápidamente que las pronunciadas normal o lentamente).
Estas desventajas deben reducirse y/o eliminarse
con la invención.
En este caso, los fonemas no se describen por una
cantidad fija de estados, sino por un modelo (= una sucesión de
características), que se obtiene a partir de las expresiones de
entrenamiento. La idea de esto es realizar en el sitio de
referencia una separación similar tal como en el lado de prueba. Las
etapas individuales para ello son
- 1.
- Se pronuncian expresiones de entrenamiento según la pauta,
- 2.
- las señales de voz resultantes se analizan (frecuencia) en una cuadrícula fija (10 ms-20 ms) y se almacenan las características,
- 3.
- la sucesión de características (iterativa) se divide temporalmente según la trascripción fonética, de manera que se recortan en cada caso modelos para los fonemas,
- 4.
- a partir de los modelos de todas las expresiones que corresponden a un fonema, se calcula una "estructura temporal" intermedia relativa a la sucesión temporal de las características, a la cantidad de características así como a la manifestación de la características,
- 5.
- para cada "marco" (es decir, cada sección de análisis) de la estructura temporal intermedia, se elabora un pequeño libro de códigos con las características representativas (para cubrir las características específicas del hablante).
La etapa 4 debe visualizarse por medio de las
figuras 6 y 7. Los modelos que sirven para la secuencia de fonemas
"ts" se pronuncian y se segmentan a partir de distintas
expresiones. La división de una "ts" muy corta con 11 ventanas
de análisis y una "ts" larga con 17 ventanas de análisis lleva
a un modelo intermedio con 14 ventanas de análisis y
características espectrales, que presentan en su caso una
característica intermedia, y reproducen la "estructura
temporal" (sucesión característica).
En el segundo ejemplo se expresó el sonido vocal
"ai", siendo en este caso la longitud de los sonidos por tanto
también de la división casi idéntica, para ello se debe reconocer
en la sucesión característica de las características el efecto de
la división.
Los ejemplos muestran una división de n=2 modelos
de entrenamiento. Lógicamente, esto se da naturalmente también para
cualquier n.
La figura 8 muestra los procedimientos empleados
en la división para la reproducción no lineal de i y j así como la
proyección de un modelo i' resultante.
Para la etapa 5 se conserva ahora la estructura
intermedia resultante. En esta estructura, se reproducen de forma
no lineal en esta estructura todos los modelos observados en el
entrenamiento. Por cada marco de la estructura intermedia se lleva a
cabo un agrupamiento de las características reproducidas en él.
En la fase de reconocimiento, las palabras que
van a reconocerse se componen a partir de las referencias para los
fonemas correspondientes a la trascripción fonética. En los HMM
"tradicionales" los estados se suceden uno tras otro, en el
procedimiento propuesto los segmentos de referencia. La denominada
búsqueda (la reproducción óptima de la señal de prueba en las
referencias formadas) se realiza en HMM entonces, por ejemplo, por
un algoritmo Viterbi, en el procedimiento propuesto por un principio
(general) del "Dynamic Time Warping". En este procedimiento el
espacio de búsqueda se expande por el aumento permitido durante la
transición desde un punto de la cuadrícula (en la matriz desde un
modelo de referencia y de prueba) al siguiente. En este sentido, un
aumento "1" significa una reproducción lineal, un aumento
"0" un colapso del modelo de prueba global en un estado del
modelo de referencia, y un aumento "ilimitado" un colapso del
modelo de referencia global en un marco de análisis del modelo de
prueba.
Como puede observarse en las figuras 9 y 10, en
el algoritmo Viterbi deben permitirse mediante la diferente
separación de referencia y prueba también aumentos "0". En el
nuevo procedimiento, por el contrario, la reproducción puede
limitarse, por ejemplo, a una zona (0,5...2), es decir se supone que
en comparación con una velocidad de habla media, la señal de prueba
puede pronunciarse como mínimo la mitad de rápido y como máximo el
doble de rápido. Mediante la zona de reproducción limitada, la
búsqueda se "ve obligada", a comparar también todas las
secciones del modelo relevantes y a no omitir sencillamente
secciones enteras.
Claims (14)
1. Procedimiento para crear segmentos de
referencia que describen módulos de voz a partir de señales de voz
de entrenamiento pronunciadas para sistemas de reconocimiento de
voz, con las siguientes etapas:
- -
- segmentación de la señal de voz de entrenamiento en módulos de voz correspondientes a una trascripción predeterminada,
- -
- análisis de la señal de entrenamiento en una cuadrícula temporal predeterminada con determinadas ventanas temporales para obtener al menos un vector característico para cada ventana temporal, de tal modo que se configuran modelos de entrenamiento que contienen en cada caso vectores característicos en la sucesión temporal de la señal de voz de entrenamiento,
- -
- determinación de una estructura temporal intermedia que es una manifestación intermedia de la duración de variación y de la sucesión temporal de las características de los módulos de voz, para cada uno de los módulos de voz con una secuencia de ventanas temporales,
- -
- asociación de los vectores característicos por medio de una reproducción temporal no lineal a las ventanas temporales de los módulos de voz y almacenamiento de los vectores característicos asociados en cada caso a un módulo de voz en la sucesión predeterminada por las ventanas temporales, como segmento de referencia.
2. Procedimiento según la reivindicación 1,
caracterizado porque los módulos de voz son fonemas,
diptongos, difonemas, trifonemas o sílabas.
3. Procedimiento según la reivindicación 1 ó 2,
caracterizado porque las características de los modelos de
prueba se representan como vectores característicos con
características espectrales, características de autocorrelación,
características CPL, características MFCC o características CC.
4. Procedimiento según las reivindicaciones 1 a
3, caracterizado porque la sucesión temporal intermedia se
obtiene sucesivamente mediante la división de las reproducciones no
lineales del modelo de entrenamiento para el módulo de voz.
5. Procedimiento según las reivindicaciones 1 a
4, caracterizado porque los vectores característicos
asociados en cada caso a una ventana temporal se agrupan.
6. Procedimiento según la reivindicación 5,
caracterizado porque los vectores característicos por cada
ventana temporal se limitan a una cantidad determinada.
7. Procedimiento según la reivindicación 5,
caracterizado porque la cantidad de los vectores
característicos alternativos resulta de la varianza de los vectores
característicos del modelo de entrenamiento reproducidos en una
ventana temporal.
8. Procedimiento para la modelización de unidades
de voz de un modelo de prueba pronunciado en un sistema de
reconocimiento de voz, en el que los segmentos de referencia que
describen módulos de voz con vectores característicos estructurados
temporalmente están contenidos en un libro de códigos, con las
siguientes etapas:
- -
- combinación de varios modelos de referencia a partir de segmentos de referencia que representan unidades de voz, empleándose segmentos de referencia que se formaron con un procedimiento según una de las reivindicaciones 1 a 7,
- -
- realización de una comparación no lineal de los modelos de referencia con el modelo de prueba y determinación en cada caso de una separación entre los modelos de referencia y el modelo de prueba,
- -
- selección del modelo de referencia con la separación más pequeña con el modelo de prueba, asociándose el modelo de prueba con la unidad de voz representada por los segmentos de referencia.
9. Procedimiento según la reivindicación 8,
caracterizado porque los modelos de referencia representan
en cada caso una palabra que va a reconocerse.
10. Procedimiento según la reivindicación 9,
caracterizado porque un modelo de referencia se forma como
concatenación de los segmentos de referencia para los módulos de
voz según la trascripción para la palabra que va a reconocerse.
11. Procedimiento según las reivindicaciones 8 a
10, caracterizado porque la comparación no lineal se realiza
mediante una adaptación temporal no lineal del modelo de prueba
sobre el modelo de referencia para las palabras que van a
reconocerse.
12. Procedimiento según la reivindicación 11,
caracterizado porque la adaptación temporal no lineal se
limita a una zona de trabajo fijada.
13. Procedimiento según las una de las
reivindicaciones 8 a 12, caracterizado porque en la
comparación no lineal se selecciona la separación local como mínimo
de las separaciones entre el vector característico correspondiente
del modelo de prueba y los vectores característicos alternativos de
los segmentos de referencia.
14. Procedimiento según una de las
reivindicaciones 8 a 13, caracterizado porque en la
reproducción no lineal se limita la distorsión.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE10150144 | 2001-10-11 | ||
DE10150144 | 2001-10-11 |
Publications (1)
Publication Number | Publication Date |
---|---|
ES2245418T3 true ES2245418T3 (es) | 2006-01-01 |
Family
ID=7702144
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
ES02801278T Expired - Lifetime ES2245418T3 (es) | 2001-10-11 | 2002-10-01 | Procedimiento para la creacion de segmentos de referencia que describen modulos de voz y procedimiento para la modelizacion de unidades de voz de un modelo de prueba de voz. |
Country Status (5)
Country | Link |
---|---|
US (1) | US7398208B2 (es) |
EP (1) | EP1435087B1 (es) |
DE (1) | DE50204114D1 (es) |
ES (1) | ES2245418T3 (es) |
WO (1) | WO2003034402A1 (es) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8793127B2 (en) | 2002-10-31 | 2014-07-29 | Promptu Systems Corporation | Method and apparatus for automatically determining speaker characteristics for speech-directed advertising or other enhancement of speech-controlled devices or services |
US7873724B2 (en) * | 2003-12-05 | 2011-01-18 | Microsoft Corporation | Systems and methods for guiding allocation of computational resources in automated perceptual systems |
JP5454469B2 (ja) * | 2008-05-09 | 2014-03-26 | 富士通株式会社 | 音声認識辞書作成支援装置,処理プログラム,および処理方法 |
CN101923856B (zh) * | 2009-06-12 | 2012-06-06 | 华为技术有限公司 | 语音识别训练处理、控制方法及装置 |
US8880352B2 (en) | 2010-11-29 | 2014-11-04 | Siemens Aktiengesellschaft | System and method for analyzing an electrophysiological signal |
CN104347071B (zh) * | 2013-08-02 | 2020-02-07 | 科大讯飞股份有限公司 | 生成口语考试参***的方法及*** |
JP2017508188A (ja) * | 2014-01-28 | 2017-03-23 | シンプル エモーション, インコーポレイテッドSimple Emotion, Inc. | 適応型音声対話のための方法 |
US9947342B2 (en) * | 2014-03-12 | 2018-04-17 | Cogito Corporation | Method and apparatus for speech behavior visualization and gamification |
US10276188B2 (en) | 2015-09-14 | 2019-04-30 | Cogito Corporation | Systems and methods for identifying human emotions and/or mental health states based on analyses of audio inputs and/or behavioral data collected from computing devices |
US10446136B2 (en) * | 2017-05-11 | 2019-10-15 | Ants Technology (Hk) Limited | Accent invariant speech recognition |
CN111243625B (zh) * | 2020-01-03 | 2023-03-24 | 合肥讯飞数码科技有限公司 | 设备的清晰度测试方法、装置、设备及可读存储介质 |
Family Cites Families (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3700815A (en) * | 1971-04-20 | 1972-10-24 | Bell Telephone Labor Inc | Automatic speaker verification by non-linear time alignment of acoustic parameters |
JPS5629292A (en) * | 1979-08-17 | 1981-03-24 | Nippon Electric Co | Continuous voice identifier |
US4348553A (en) * | 1980-07-02 | 1982-09-07 | International Business Machines Corporation | Parallel pattern verifier with dynamic time warping |
US4570232A (en) * | 1981-12-21 | 1986-02-11 | Nippon Telegraph & Telephone Public Corporation | Speech recognition apparatus |
JPS5945583A (ja) * | 1982-09-06 | 1984-03-14 | Nec Corp | パタンマッチング装置 |
JPS60179797A (ja) * | 1983-10-27 | 1985-09-13 | 日本電気株式会社 | パタンマツチング装置 |
US4977599A (en) * | 1985-05-29 | 1990-12-11 | International Business Machines Corporation | Speech recognition employing a set of Markov models that includes Markov models representing transitions to and from silence |
US4751737A (en) * | 1985-11-06 | 1988-06-14 | Motorola Inc. | Template generation method in a speech recognition system |
JPS62220998A (ja) * | 1986-03-22 | 1987-09-29 | 工業技術院長 | 音声認識装置 |
US4903305A (en) * | 1986-05-12 | 1990-02-20 | Dragon Systems, Inc. | Method for representing word models for use in speech recognition |
US4805219A (en) * | 1987-04-03 | 1989-02-14 | Dragon Systems, Inc. | Method for speech recognition |
US5072452A (en) * | 1987-10-30 | 1991-12-10 | International Business Machines Corporation | Automatic determination of labels and Markov word models in a speech recognition system |
DE4322372A1 (de) * | 1993-07-06 | 1995-01-12 | Sel Alcatel Ag | Verfahren und Vorrichtung zur Spracherkennung |
US5742928A (en) * | 1994-10-28 | 1998-04-21 | Mitsubishi Denki Kabushiki Kaisha | Apparatus and method for speech recognition in the presence of unnatural speech effects |
DE19610848A1 (de) | 1996-03-19 | 1997-09-25 | Siemens Ag | Rechnereinheit zur Spracherkennung und Verfahren zur rechnergestützten Abbildung eines digitalisierten Sprachsignals auf Phoneme |
US6026359A (en) * | 1996-09-20 | 2000-02-15 | Nippon Telegraph And Telephone Corporation | Scheme for model adaptation in pattern recognition based on Taylor expansion |
CA2304747C (en) * | 1997-10-15 | 2007-08-14 | British Telecommunications Public Limited Company | Pattern recognition using multiple reference models |
US6148284A (en) * | 1998-02-23 | 2000-11-14 | At&T Corporation | Method and apparatus for automatic speech recognition using Markov processes on curves |
CN1138252C (zh) * | 1998-05-15 | 2004-02-11 | 西门子公司 | 通过计算机在交谈语音中识别至少一个密钥字的方法和设备 |
-
2002
- 2002-10-01 WO PCT/DE2002/003717 patent/WO2003034402A1/de active IP Right Grant
- 2002-10-01 ES ES02801278T patent/ES2245418T3/es not_active Expired - Lifetime
- 2002-10-01 US US10/492,302 patent/US7398208B2/en active Active
- 2002-10-01 EP EP02801278A patent/EP1435087B1/de not_active Expired - Fee Related
- 2002-10-01 DE DE50204114T patent/DE50204114D1/de not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
EP1435087A1 (de) | 2004-07-07 |
EP1435087B1 (de) | 2005-08-31 |
DE50204114D1 (de) | 2005-10-06 |
US20040249639A1 (en) | 2004-12-09 |
US7398208B2 (en) | 2008-07-08 |
WO2003034402A1 (de) | 2003-04-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20180075844A1 (en) | Speech recognition system and method | |
CN101436403B (zh) | 声调识别方法和*** | |
ES2245418T3 (es) | Procedimiento para la creacion de segmentos de referencia que describen modulos de voz y procedimiento para la modelizacion de unidades de voz de un modelo de prueba de voz. | |
JPH06110493A (ja) | 音声モデルの構成方法及び音声認識装置 | |
JP4340685B2 (ja) | 音声認識装置及び音声認識方法 | |
US6546369B1 (en) | Text-based speech synthesis method containing synthetic speech comparisons and updates | |
Serrino et al. | Contextual Recovery of Out-of-Lattice Named Entities in Automatic Speech Recognition. | |
Paliwal | Lexicon-building methods for an acoustic sub-word based speech recognizer | |
Wagner | Automatic labelling of continuous speech with a given phonetic transcription using dynamic programming algorithms | |
Salvi | Developing acoustic models for automatic speech recognition in Swedish | |
Metze | Articulatory features for conversational speech recognition | |
Hamaker et al. | Advances in alphadigit recognition using syllables | |
JP2005234504A (ja) | 音声認識装置及びhmm発音モデルをトレーニングする方法 | |
Colla et al. | A connected speech recognition system using a diphone-based language model | |
Azmi et al. | Syllable-based automatic arabic speech recognition in noisy-telephone channel | |
RU2119196C1 (ru) | Способ лексической интерпретации слитной речи и система для его реализации | |
Caballero et al. | Data driven multidialectal phone set for Spanish dialects. | |
Phuong et al. | Development of high-performance and large-scale vietnamese automatic speech recognition systems | |
KR102182408B1 (ko) | 형태소 발음변이를 고려한 음성인식 단위 생성 장치 및 방법 | |
Manjunath et al. | Improvement of phone recognition accuracy using source and system features | |
Huerta et al. | The development of the 1997 CMU Spanish broadcast news transcription system | |
Kessens et al. | Automatic detection and verification of Dutch phonological rules | |
JP3231365B2 (ja) | 音声認識装置 | |
Zhang et al. | Kham Dialect Speech Synthesis Based on Deep Learning | |
Trancoso et al. | From Portuguese to Mirandese: fast porting of a letter-to-sound module using FSTs |