ES2327522T3 - Procedimiento de reconocimiento de palabra distribuido. - Google Patents
Procedimiento de reconocimiento de palabra distribuido. Download PDFInfo
- Publication number
- ES2327522T3 ES2327522T3 ES04718327T ES04718327T ES2327522T3 ES 2327522 T3 ES2327522 T3 ES 2327522T3 ES 04718327 T ES04718327 T ES 04718327T ES 04718327 T ES04718327 T ES 04718327T ES 2327522 T3 ES2327522 T3 ES 2327522T3
- Authority
- ES
- Spain
- Prior art keywords
- signal
- parameters
- server
- modeling
- recognition
- 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 27
- 230000005236 sound signal Effects 0.000 claims description 48
- 230000001755 vocal effect Effects 0.000 claims description 36
- 238000001514 detection method Methods 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 21
- 230000005540 biological transmission Effects 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 8
- 230000008901 benefit Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000035484 reaction time Effects 0.000 description 2
- 230000008054 signal transmission Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000003936 working memory 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
- G10L15/28—Constructional details of speech recognition systems
- G10L15/32—Multiple recognisers used in sequence or in parallel; Score combination systems therefor, e.g. voting systems
-
- 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
- G10L15/28—Constructional details of speech recognition systems
- G10L15/30—Distributed recognition, e.g. in client-server systems, for mobile phones or network applications
Landscapes
- Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Telephonic Communication Services (AREA)
- Computer And Data Communications (AREA)
- Devices For Executing Special Programs (AREA)
- Circuits Of Receivers In General (AREA)
Abstract
Un procedimiento de reconocimiento de palabra distribuido, que incluye al menos un terminal de usuario y al menos un servidor aptos para comunicarse entre ellos por medio de una red de telecomunicaciones, según el cual a nivel de terminal de usuario, se realizan al menos las etapas siguientes: - obtener una señal de audio a reconocer; - calcular los parámetros de modelización de la señal de audio a reconocer; e - intentar asociar una forma memorizada a los parámetros de modelización; y, según el cual, a nivel de servidor se realizan al menos las etapas siguientes: - recibir una señal emitida por el terminal de usuario; - intentar asociar una forma memorizada a la señal recibida; caracterizado por las etapas siguientes, realizadas a nivel de terminal de usuario: - independientemente de la etapa de intento de asociar una forma memorizada: - seleccionar una señal entre al menos la señal de audio a reconocer y una señal que indique los parámetros de modelización, en función de criterios relativos a la carga de los diferentes medios de procesamiento a nivel de terminal y de servidor, y/o en función de criterios relativos a la disponibilidad de canales de transmisión de voz o de datos; y - emitir la señal seleccionada con destino al servidor.
Description
Procedimiento de reconocimiento de palabra
distribuido.
La presente invención se refiere al sector del
mando vocal de aplicaciones, ejercido sobre terminales de usuario,
gracias al establecimiento de medios de reconocimiento de palabra.
Los terminales usuarios considerados son todos los dispositivos
dotados de un medio de captura de la palabra normalmente un
micrófono, que poseen capacidades de procesamiento de ese sonido y
conectados a uno o a más servidores por un canal de transmisión. Se
trata, por ejemplo, de aparatos de mando, de mando a distancia
utilizados en aplicaciones domóticas, en automóviles (mando del
autorradio o de otras funciones del vehículo), en los PC o en
estaciones telefónicas. El campo de las aplicaciones afectadas es
esencialmente donde el usuario manda una acción, solicita una
información o quiere interaccionar a distancia utilizando un mando
vocal. La utilización de mandos vocales no excluye la existencia en
el terminal de usuario de otros medios de acción (sistema
multimodal), y el retorno de informaciones, de estados o de
respuestas puede hacerse igualmente en forma combinada visual,
sonora, olfativa y cualquier otro medio humano de percepción.
De manera general, los medios para la
realización del reconocimiento de palabra comprenden medios de
obtención de una señal de audio, medios de análisis acústico que
extraen los parámetros de modelización y, por último, medios de
reconocimiento que comparan estos parámetros de modelización
extraídos de los modelos, y proponen la forma memorizada en los
modelos que puede asociarse de la manera más probable a la señal.
Opcionalmente, pueden utilizarse medios de detección de actividad
vocal VAD (del inglés "Voice Activity Detection"). Aseguran la
detección de las secuencias correspondientes a la palabra y antes de
ser reconocidas. Extraen la señal de audio de entrada, fuera de los
períodos de inactividad vocal, de los segmentos de la palabra, que
se tratarán a continuación por los medios de extracción de los
parámetros de modelización.
Más particularmente, la invención se apoya en
las interacciones entre los tres modos de reconocimiento de palabra
mencionados, embarcado, centralizado y distribuido.
En un modo de reconocimiento de palabra
embarcado, el conjunto de los medios para efectuar el reconocimiento
de palabra se encuentran a nivel de terminal de usuario. Las
limitaciones de este modo de reconocimiento están, por
consiguiente, principalmente ligadas a la potencia de los
procesadores embarcados, y a la memoria disponible para almacenar
los modelos de reconocimiento de palabra. En cambio, este modo
permite un funcionamiento autónomo, sin conexión a un servidor, y
de este modo, está condenado a un gran desarrollo ligado a la
reducción del coste de la capacidad de procesamiento.
En un modo de reconocimiento de palabra
centralizado, todo el procedimiento de reconocimiento de palabra y
los modelos de reconocimiento se encuentran y se ejecutan en una
máquina, llamada generalmente servidor vocal, accesible para el
terminal de usuario. El terminal transmite simplemente al servidor
una señal de palabra. Este método se utiliza principalmente en las
aplicaciones ofertadas por los operadores de telecomunicaciones. Un
terminal básico puede así acceder a servicios evolucionados,
activados por la voz. En un servidor de reconocimiento de palabra
pueden establecerse numerosos tipos de reconocimiento de palabra
(robusto, flexible, de muy amplio vocabulario, vocabulario
dinámico, palabra continua, mono o multilocutores, varias lenguas,
etc.). En efecto, las máquinas centralizadas tienen capacidades de
almacenamiento de modelos, tamaños de memoria de trabajo y
potencias de cálculos importantes y crecientes.
En un modo de reconocimiento de palabra
distribuido, los medios de análisis acústico están embarcados en el
terminal de usuario, estando los medios de reconocimiento a nivel
del servidor. En este modo distribuido, en la fuente se puede
realizar, ventajosamente, una función de eliminación de efectos
sonoros asociada a los medios de extracción de los parámetros de
modelización. Sólo los parámetros de modelización se transmiten, lo
que permite una ganancia sustancial en caudal de transmisión,
particularmente interesante para las aplicaciones multimodales.
Además, la señal a reconocer puede estar mejor protegida contra los
errores de transmisión. Opcionalmente, se puede también embarcar la
detección de actividad vocal (VAD) para transmitir los parámetros
de modelización sólo durante las secuencias de palabras, lo que
tiene como ventaja reducir en gran manera el tiempo de transmisión
activa. El reconocimiento de palabra distribuido permite además
transmitir en el mismo canal de transmisión de las señales de
palabra y de datos, principalmente texto, imágenes o vídeos. La red
de transmisión puede ser, por ejemplo, de tipo IP, GPRS, WLAN o
Ethernet. Este modo permite, igualmente, beneficiarse de
procedimientos de protección y de corrección contra las pérdidas de
paquetes que constituyen la señal transmitida con destino al
servidor. Sin embargo, necesita la disponibilidad de canales de
transmisión de datos, con un protocolo estricto de transmisión.
La invención propone un sistema de
reconocimiento de palabra que incluye los terminales de usuarios y
los servidores combinando las diferentes funciones ofertadas por
los modos de reconocimiento de palabra embarcado, centralizado y
distribuido para ofrecer la máxima eficacia, comodidad y ergonomía a
los usuarios de servicios multimodales en los que se utiliza el
mando vocal.
La Patente US 6 487 534-B1
describe un sistema de reconocimiento de palabra distribuido que
incluye un terminal de usuario que dispone de medios de detección
de actividad vocal, de medios de extracción de los parámetros de
modelización y de medios de reconocimiento. Este sistema comprende
además un servidor que dispone igualmente de medios de
reconocimiento. El procedimiento descrito consiste en efectuar una
primera fase de reconocimiento a nivel de terminal de usuario.
Después, en función de los resultados de esta primera fase, los
parámetros de modelización calculados a nivel de terminal pueden,
entonces, enviarse con destino al servidor, principalmente a fin de
determinar, esta vez gracias a los medios de reconocimiento del
servidor, una forma memorizada en los modelos de éste y asociada a
la señal enviada.
El objetivo pretendido por el sistema descrito
en el documento citado es disminuir la carga a nivel de servidor.
Sin embargo, resulta que el reconocimiento se efectúa lo mejor
posible después del tiempo necesario en la primera fase en el
terminal. Cuando debe tener lugar una segunda fase, el tiempo de
reconocimiento total es igual al tiempo de reconocimiento de la
primera fase más el de la segunda fase.
El documento US 6 122 613 describe igualmente un
sistema de reconocimiento de palabra en el que se hace un
reconocimiento de palabra a partir de una señal de audio en serie o
en paralelo a nivel de un servidor y de un terminal.
El documento US2003/00 4720 se refiere, también,
a un sistema de reconocimiento de palabra dentro del que se busca
aumentar la tolerancia a las faltas debidas a la transmisión de
datos.
Un objetivo de la presente invención es proponer
un procedimiento que pretenda optimizar el tiempo necesario en el
reconocimiento de palabra y, por consiguiente, en la realización de
la acción solicitada por el usuario.
Según un primer aspecto, la invención propone un
procedimiento de reconocimiento de palabra distribuido, que incluye
al menos un terminal de usuario y al menos un servidor, aptos para
comunicar entre ellos por medio de una red de telecomunicaciones,
según el cual a nivel de terminal de usuario, se realizan al menos
las etapas siguientes:
- obtener una señal de audio a reconocer; y,
- calcular los parámetros de modelización de la
señal de audio a reconocer; e,
- intentar asociar una forma memorizada a los
parámetros de modelización; e,
- independientemente de la etapa de intento de
asociar una forma memorizada:
- -
- seleccionar una señal entre al menos la señal de audio a reconocer y una señal que indique los parámetros de modelización, en función de criterios relativos a la carga de los diferentes medios de procesamiento a nivel de terminal y de servidor, y/o en función de los criterios relacionados con la disponibilidad de los canales de transmisión de voz o de datos; y
- -
- emitir, con destino al servidor, la señal seleccionada;
y, según el cual, a nivel del servidor, se
realizan al menos las etapas siguientes:
- recibir la señal emitida por el terminal de
usuario;
- intentar asociar una forma memorizada a la
señal recibida.
\vskip1.000000\baselineskip
Un procedimiento según la invención permite
evitar acumular un tiempo de procesamiento a nivel de terminal y un
tiempo de procesamiento a nivel de servidor, y así disminuir el
tiempo para dar curso a la solicitud del usuario.
Permite también aprovecharse de las ventajas de
las características de los medios de reconocimiento de los que
disponen respectivamente el terminal y el servidor, principalmente
cuando la señal a reconocer es de naturaleza indefinida para
determinar lo antes posible la respuesta a efectuar.
En los modos de establecimiento preferidos, la
señal emitida por el terminal de usuario con destino al servidor se
selecciona entre al menos la señal de audio a reconocer y una señal
que indica los parámetros de modelización. Entonces, si la señal
recibida es de tipo de audio, el servidor calcula los parámetros de
modelización de la señal de audio recibida; e intenta asociar una
forma memorizada a los parámetros de modelización de la señal de
audio recibida. Si la señal recibida indica los parámetros de
modelización, el servidor intenta asociar una forma memorizada a
dichos parámetros de modelización.
La elección de la señal transmitida - la señal
de audio (comprimida o no) o la señal entregada por los medios de
cálculo de los parámetros de modelización del terminal - puede
definirse por el tipo de aplicaciones en curso, por el estado de la
red, o a continuación de una coordinación entre los medios de
control respectivos del terminal y del servidor.
Ventajosamente, la obtención por el terminal de
la señal a reconocer incluye una detección de actividad vocal
aplicada a una señal de audio de origen para producir la señal de
audio a reconocer eliminando la señal de origen de períodos de
inactividad vocal. La señal a emitir se seleccionará, por
consiguiente, entre esta señal de audio eliminada de los períodos
de inactividad vocal y la señal que indica los parámetros de
modelización.
En un modo de establecimiento del procedimiento
según la invención, la señal emitida se selecciona de una señal
entre al menos la señal de audio de origen, la señal de audio
representativa de la señal de origen eliminada de períodos de
inactividad vocal después de la detección vocal y la señal que
indica los parámetros de modelización.
Ventajosamente, si la señal recibida es una
señal de audio eliminada de períodos de inactividad vocal, el
servidor calcula parámetros de modelización de señal recibida e
intenta asociar una forma memorizada a los parámetros de
modelización de la señal de audio recibida. Cuando la señal
recibida es una señal de tipo audio, pero sobre la cual no se ha
realizado detección de actividad vocal, el servidor realiza una
detección de actividad vocal aplicada a la señal de audio recibida
para producir una señal de audio a reconocer eliminando la señal de
origen de períodos de inactividad vocal. Después, calcula parámetros
de modelización de la señal de audio a reconocer. Por último,
intenta asociar una forma memorizada a los parámetros de
modelización.
Ventajosamente, se escoge la forma memorizada
asociada determinada a nivel de terminal, si existe. Se escoge la
forma memorizada asociada determinada en primer lugar. O aún se
escoge la forma memorizada mejor asociada según un criterio
definido (por ejemplo, probabilidad de verosimilitud).
Según un segundo aspecto, la invención propone
un terminal de usuario para establecer el procedimiento de
reconocimiento de palabra distribuido descrito anteriormente.
Según un tercer aspecto, la invención propone un
servidor para establecer el procedimiento de reconocimiento de
palabra distribuido descrito anteriormente.
En un modo de realización preferido, al menos
ciertos medios para realizar el procesamiento del reconocimiento a
nivel de terminal (medios de extracción de parámetros o medios de
reconocimiento) se han cargado a distancia por medio de la red de
telecomunicaciones. Por ejemplo, pueden ser cargados a distancia por
el servidor.
Otras características y ventajas de la invención
surgirán aún de la lectura de la descripción que viene a
continuación. Ésta es puramente ilustrativa y debe leerse con
respecto a los dibujos adjuntos en los que la figura única es un
esquema que representa un ejemplo de terminal de usuario y un
ejemplo de servidor según la invención.
El sistema representado en la figura única
incluye un servidor 1 y un terminal de usuario 2, que comunican
entre sí por medio de una red (no representada) que dispone de
canales para la transmisión de señales de voz y de canales para la
transmisión de señales de datos.
El terminal 2 incluye un micrófono 4, que recoge
la palabra a reconocer de un usuario en forma de una señal de
audio. El terminal 2 incluye igualmente los módulos 5, 6 y 7. El
módulo de detección de actividad vocal VAD 5 asegura la detección
de las secuencias correspondientes a la palabra y debiendo ser
reconocidas. Este módulo 5 está pensado, por ejemplo, para detectar
rápidamente las palabras de mando. El módulo 6 efectúa un análisis
acústico de manera conocida de por sí: calcula los parámetros de
modelización, realizando una función de eliminación de efectos
sonoros.
El módulo 7 ejecuta un algoritmo de
reconocimiento de tipo conocido, por ejemplo a base de modelos de
Markov ocultos con un vocabulario de tamaño reducido. Este motor 7
de reconocimiento puede funcionar en modo de un solo hablante, y
necesita una fase de aprendizaje previa a partir de la voz del
usuario.
El terminal comprende un controlador 8 adaptado
para seleccionar una señal de audio entre la señal de audio de
salida del micrófono 4, una señal representativa de los segmentos de
palabra extraídos por los medios 5 de detección de actividad vocal
y una señal indicativa de los parámetros de modelización 6.
El terminal comprende además una interfaz 9 para
la emisión en la red, con destino al servidor, de la señal
seleccionada por el controlador 8.
El servidor 1 incluye una interfaz 10 de red
para recibir las señales que se le dirigen y un controlador 11 que
analiza la señal recibida y la dirige a continuación,
selectivamente, hacia un módulo de procesamiento del servidor entre
varios módulos 12, 13 y 14. El módulo 12 es un detector de actividad
vocal, que asegura la detección de los segmentos correspondientes a
la palabra de manera similar al módulo 5. No obstante, puede ser
diferente del módulo 5, y por ejemplo pensado para detectar
rápidamente frases enteras. Su tiempo de reacción puede, por
consiguiente, ser diferente al del módulo 5. En el presente ejemplo,
su tiempo de reacción será más lento. El módulo 13 asegura el
cálculo de parámetros de modelización de manera parecida al módulo 6
de cálculo del terminal. No obstante, el modelo de cálculo puede
ser diferente. El módulo 14 ejecuta un algoritmo de reconocimiento
de tipo conocido, por ejemplo a base de modelos de Markov ocultos
con un vocabulario de tamaño arbitrario, por ejemplo superior a
100.000 palabras. Este motor 14 de reconocimiento compara los
parámetros de entrada con modelos de palabra que representan
palabras o frases y determina la mejor forma asociada, teniendo en
cuenta modelos sintácticos que describen los encadenamientos de las
palabras esperadas, los modelos relativos al léxico que precisan
las diferentes pronunciaciones de las palabras y los modelos
acústicos representativos de los sonidos pronunciados. Estos
modelos son, por ejemplo, multilocutores, capaces de reconocer, con
una buena fiabilidad, la palabra, independientemente del que
habla.
El controlador 11 actúa sobre el módulo de VAD
12, el módulo de cálculo de los parámetros 13 y el motor 14 de
reconocimiento de manera que:
a) cuando la señal recibida por la interfaz 10
de red es de tipo audio y no indica segmentos de palabra obtenidos
después de la detección de actividad vocal, activar el módulo 12 de
detección de actividad vocal dirigiéndole la señal recibida como
señal de entrada, dirigir después los segmentos de palabra extraídos
por el módulo 12 al módulo de cálculo de los parámetros 13 de
modelización como parámetros de entrada, y después dirigir los
parámetros extraídos por este módulo 13 al motor 14 de
reconocimiento como parámetros de entrada;
b) cuando la señal recibida por la interfaz 10
de recepción indica segmentos de palabra después de la detección de
actividad vocal, activar el módulo de cálculo de parámetros 13 de
modelización dirigiéndole la señal recibida como señal de entrada,
y después dirigir los parámetros extraídos por este módulo 13 al
motor 14 de reconocimiento como parámetros de entrada;
c) cuando la señal recibida por la interfaz 10
de recepción indica parámetros de modelización, dirigir dichos
parámetros indicados al motor 14 de reconocimiento como parámetros
de entrada.
Consideremos una aplicación en la que el usuario
expresa: "llamada a Antonio", figurando Antonio en el
repertorio local. La señal de audio correspondiente obtenida por el
micrófono 4 del terminal es tratada por el módulo VAD 5, que extrae
de ella los segmentos de palabra los cuales se dirigen a su vuelta a
los módulos 6, que calcula los parámetros de modelización. Estos
parámetros son a continuación dirigidos al motor 7 de reconocimiento
para asociarle una forma que provenga del diccionario local. En
paralelo, el controlador 8 ha seleccionado una señal a emitir entre
la señal de audio de origen, una señal de audio que indica los
segmentos de palabra extraídos de la señal de audio de origen
después de la detección de actividad vocal y una señal que indica
los parámetros de modelización. La señal seleccionada se emite con
la ayuda de la interfaz 9 de emisión con destino al servidor.
En el modo de realización considerado, la señal
seleccionada por el controlador del terminal 8 es la señal de audio
de origen, que ha sido enviada en dirección al servidor tan pronto
como ha sido adquirida por el micrófono 4.
El servidor recepciona la señal a reconocer
enviada por el terminal y la trata como se ha indicado en el
apartado a) anterior.
El proceso de reconocimiento se efectúa así por
ambas partes. El terminal determina en un tiempo T1 una forma
asociada F1; el servidor determina otra forma asociada F2 en un
tiempo T2 diferente de T1. Una de las formas es aceptada según un
criterio de elección. El criterio de elección puede ser, por
ejemplo, el siguiente: se escoge la forma encontrada más
rápidamente y desde que se encuentra, sin esperar la determinación
de otra forma. El aplicativo local al terminal pasa entonces a la
fase aplicativa siguiente.
Después, el usuario expresa "buscar el mensaje
de Josiane".
La respuesta a nivel de terminal no es
consistente y se salda con un rechazo después de un tiempo T1'. El
reconocimiento se efectúa en paralelo a nivel de servidor y acaba en
un tiempo T2' con la determinación de una forma asociada, que va a
permitir interpretar el mensaje solicitado por el usuario.
Un procedimiento de reconocimiento según la
invención permite así combinar las ventajas de los sistemas de
reconocimiento a nivel de terminal y de servidor. Las palabras
cortas son rápidamente determinadas por el motor 7 de
reconocimiento del terminal y las frases más complejas son
reconocidas rápidamente por el motor 14 de reconocimiento del
servidor. El tiempo de procesamiento se optimiza más aún cuando los
VAD respectivos presentan características adaptadas, siendo el VAD
5 del terminal, por ejemplo, pensado para detectar, rápidamente,
palabras de mando y siendo el VAD 12 del servidor pensado para
detectar, rápidamente, frases.
El controlador del terminal 8 determina la señal
a transmitir con destino al servidor, por ejemplo en función de
criterios de control. Éstos criterios pueden, por ejemplo, estar
ligados a la aplicación afectada, o a problemáticas de cargas de
los diferentes medios de procesamiento a nivel de terminal y de
servidor (los medios de control respectivos pueden cooperar), o aún
a problemáticas de disponibilidad de los canales de transmisión de
voz o de los canales de transmisión de datos.
Por ejemplo, para ciertos terminales, la señal
enviada será sistemáticamente una señal que indique parámetros de
modelización. Para otros terminales, la señal enviada dependerá de
la aplicación en curso.
En un modo de realización de la invención, en
caso de problemas de disponibilidad de canales de datos o del
módulo 6 de cálculo del terminal considerado, el controlador 8 se
adapta para transmitir la señal de audio (de origen o después de
VAD). Esta señal de audio podrá ser transmitida por los canales de
transmisión de señales de voz disponibles.
La manera de determinar la forma finalmente
aceptada y que será utilizada en el momento de proseguir la
aplicación, entre una forma asociada suministrada por el módulo de
reconocimiento del servidor y una forma asociada suministrada por
el terminal, puede efectuarse sobre la base de diferentes criterios,
que pueden variar de un terminal a otro, pero también de una
aplicación a otra o de un contexto determinado a otro.
Estos criterios pueden dar, por ejemplo,
prioridad al reconocimiento efectuado a nivel de terminal, o a la
forma asociada que presente la mayor tasa de probabilidad, o aún a
la forma determinada más rápidamente. Estos criterios de elección
pueden estar integrados, por ejemplo, en los controladores 8, 11 del
terminal o del servidor.
El servidor según la invención es igualmente
apto para efectuar el reconocimiento de palabra sobre una señal
transmitida por un terminal que no dispone de medios de extracción
de parámetros de modelización, ni de medios de reconocimiento (o en
los cuales los medios de extracción o de reconocimiento están
inactivos) y que disponen opcionalmente de VAD.
En un modo de realización, el motor 7 de
reconocimiento del terminal 2 es un programa ejecutable cargado a
distancia, por ejemplo desde el servidor, por medios clásicos de
transferencia de datos.
Ventajosamente, para una aplicación determinada
del terminal 2, los modelos de reconocimiento del terminal pueden
ser cargados a distancia o puestos al día en el transcurso de una
sesión aplicativa conectada a la red.
Otros recursos de programas y de sistemas de
programación útiles en el reconocimiento de palabra pueden ser,
también, cargados a distancia desde el servidor 1, como el módulo 6
de cálculo de parámetros de modelización o el detector de actividad
vocal 5.
Podrían describirse otros ejemplos
estableciendo, por ejemplo, aplicaciones relacionadas con vehículos,
con electrodomésticos y multimedia.
Como lo presentado en los ejemplos de
realización anteriormente descritos, un sistema según la invención
permite utilizar en un tiempo de procesamiento optimizado para un
resultado optimizado los diferentes recursos necesarios para el
procesamiento del reconocimiento de palabra y presentes a nivel de
terminal (por ejemplo para la carga a distancia) y de servidor.
Claims (18)
1. Un procedimiento de reconocimiento de palabra
distribuido, que incluye al menos un terminal de usuario y al menos
un servidor aptos para comunicarse entre ellos por medio de una red
de telecomunicaciones, según el cual a nivel de terminal de
usuario, se realizan al menos las etapas siguientes:
- -
- obtener una señal de audio a reconocer;
- -
- calcular los parámetros de modelización de la señal de audio a reconocer; e
- -
- intentar asociar una forma memorizada a los parámetros de modelización;
y, según el cual, a nivel de servidor se
realizan al menos las etapas siguientes:
- -
- recibir una señal emitida por el terminal de usuario;
- -
- intentar asociar una forma memorizada a la señal recibida;
caracterizado por las etapas siguientes,
realizadas a nivel de terminal de usuario:
- -
- independientemente de la etapa de intento de asociar una forma memorizada:
- -
- seleccionar una señal entre al menos la señal de audio a reconocer y una señal que indique los parámetros de modelización, en función de criterios relativos a la carga de los diferentes medios de procesamiento a nivel de terminal y de servidor, y/o en función de criterios relativos a la disponibilidad de canales de transmisión de voz o de datos; y
- -
- emitir la señal seleccionada con destino al servidor.
2. Un procedimiento de reconocimiento de palabra
distribuido según la reivindicación 1, según el cual la señal
emitida por el terminal de usuario con destino al servidor se
selecciona entre al menos la señal de audio a reconocer y una señal
que indique los parámetros de modelización;
- según el cual si la señal recibida es de tipo audio, el servidor calcula los parámetros de modelización de la señal de audio recibida, e intenta asociar una forma memorizada a los parámetros de modelización de la señal de audio recibida;
- y según el cual si la señal recibida indica los parámetros de modelización, el servidor intenta asociar una forma memorizada a dichos parámetros de modelización.
3. Un procedimiento según la reivindicación 1 o
la reivindicación 2, según el cual la obtención en el terminal de
la señal a reconocer incluye una detección de actividad vocal para
producir la señal de audio a reconocer en forma de segmentos de
palabra extraídos de una señal de audio de origen fuera de períodos
de inactividad vocal.
4. Un procedimiento según la reivindicación 3,
según el cual la señal emitida es una señal seleccionada entre al
menos la señal de audio de origen, la señal de audio a reconocer en
forma de segmentos extraídos después de la detección vocal y la
señal que indica los parámetros de modelización.
5. Un procedimiento según las reivindicaciones 2
a 4, según el cual cuando la señal recibida es de tipo audio:
- -
- si la señal de audio recibida está en forma de segmentos de palabra extraídos después de detección vocal, el servidor calcula los parámetros de modelización de la señal recibida e intenta asociar una forma memorizada a los parámetros de modelización de la señal de audio recibida;
- -
- si no lo está, el servidor realiza una detección de actividad vocal aplicada a la señal de audio recibida para producir una señal de audio en forma de segmentos de palabras extraídos de la señal de audio recibida fuera de períodos de inactividad vocal, después calcula los parámetros de modelización de la señal de audio e intenta asociar una forma memorizada a los parámetros de modelización.
6. Un procedimiento según una cualquiera de las
reivindicaciones precedentes, según el cual se escoge la forma
memorizada asociada determinada al nivel de terminal cuando ésta
existe.
7. Un procedimiento según las reivindicaciones 1
a 5, según el cual se escoge la forma memorizada asociada
determinada lo más rápidamente.
8. Un procedimiento según las reivindicaciones 1
a 6, según el cual se escoge la forma memorizada mejor asociada
según un criterio de elección definido.
\global\parskip0.950000\baselineskip
9. Un terminal de usuario para establecer un
procedimiento de reconocimiento de palabra distribuido, según una
de las reivindicaciones 1 a 8, que incluye:
- -
- medios de obtención de una señal de audio a reconocer;
- -
- medios de cálculo de parámetros de modelización de la señal de audio; y
- -
- medios de reconocimiento para asociar al menos una forma memorizada a los parámetros de modelización calculados por los medios de cálculo;
caracterizado porque comprende:
- -
- medios de control para seleccionar una señal a emitir con destino al servidor entre la señal de audio a reconocer y una señal que indique los parámetros de modelización calculados en función de criterios relativos a la carga de los diferentes medios de procesamiento a nivel de terminal y de servidor, y/o en función de criterios relativos a la disponibilidad de canales de transmisión de voz o de datos.
10. Un terminal de usuario según la
reivindicación 9, en el que los medios de obtención de la señal de
audio a reconocer comprenden medios de detección de actividad vocal
para producir la señal a reconocer en forma de segmentos de palabra
extraídos de una señal de audio de origen, fuera de períodos de
inactividad vocal.
11. Un terminal de usuario según la
reivindicación 10, en el que los medios de control se adaptan para
seleccionar al menos una señal a emitir con destino al servidor
entre la señal de audio de origen, la señal de audio a reconocer en
forma de segmentos de palabra extraídos por los medios de detección
de actividad vocal y la señal que indica los parámetros de
modelización calculados.
12. Un terminal de usuario según las
reivindicaciones 9 a 11, en el que al menos una parte de los medios
de cálculo de parámetros y de los medios de reconocimiento se
cargan a distancia desde el servidor.
13. Un terminal de usuario según las
reivindicaciones 9 a 12, que incluye medios de determinación de la
forma memorizada a escoger entre las formas memorizadas
determinadas respectivamente en terminal y en el servidor.
14. Un servidor adaptado para establecer un
procedimiento de reconocimiento de palabra distribuido según una de
las reivindicaciones 1 a 8 que comprende:
- -
- medios de recepción procedentes de un terminal de usuario de una señal seleccionada en dicho terminal; y
- -
- medios de reconocimiento para asociar al menos una forma memorizada a los parámetros de modelización de entrada;
- -
- medios de cálculo de parámetros de modelización de una señal de entrada;
caracterizado porque comprende:
- -
- medios de control para mandar los medios de cálculo y los medios de reconocimiento de manera que:
- \bullet
- cuando la señal recibida por los medios de recepción sea de tipo audio, se activen los medios de cálculo de parámetros dirigiéndoles la señal seleccionada como señal de entrada, y se dirijan los parámetros calculados por los medios de cálculo a los medios de reconocimiento como parámetros de entrada, y,
- \bullet
- cuando la señal seleccionada recibida por los medios de recepción indican parámetros de modelización, se dirijan dichos parámetros indicados a los medios de reconocimiento como parámetros de entrada.
15. Un servidor según la reivindicación 14, que
comprende además medios de detección de actividad para producir la
señal a reconocer en forma de segmentos de palabra extraídos de una
señal de audio de origen fuera de períodos de inactividad vocal y
en el que los medios de control se adaptan para mandar los medios de
cálculo de parámetros y los medios de reconocimiento cuando la
señal recibida es de tipo audio de manera que:
- \bullet
- si la señal recibida de tipo audio está en forma de segmentos de palabra después de la detección de actividad vocal, se activen los medios de cálculo de parámetros dirigiéndoles la señal recibida, como señal de entrada, después se dirijan los parámetros calculados por los medios de cálculo de parámetros a los medios de reconocimiento como parámetros de entrada;
- \bullet
- si no lo está, se activen los medios de detección de actividad vocal del servidor dirigiéndoles la señal recibida como señal de entrada, después se dirijan los segmentos extraídos por los medios de detección de actividad vocal a los medios de cálculo de parámetros como parámetros de entrada, después se dirijan los parámetros calculados por los medios de cálculo de parámetros a los medios de reconocimiento como parámetros de entrada.
\global\parskip1.000000\baselineskip
16. Un servidor según una de las
reivindicaciones 14 a 15, que comprende medios para cargar a
distancia recursos de programas y de sistemas de información de
reconocimiento vocal por medio de red de telecomunicaciones con
destino a un terminal.
17. Un servidor según la reivindicación 16, en
el que dichos recursos comprenden al menos un módulo entre: un
módulo de VAD, un módulo de cálculo de parámetros de modelización de
una señal de audio y un módulo de reconocimiento para asociar al
menos una forma memorizada a los parámetros de modelización.
18. Un servidor según las reivindicaciones 14 a
17, que incluye medios de determinación de la forma memorizada a
escoger entre las formas memorizadas determinadas respectivamente en
el terminal y en el servidor.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR0303614 | 2003-03-25 | ||
FR0303614A FR2853126A1 (fr) | 2003-03-25 | 2003-03-25 | Procede de reconnaissance de parole distribuee |
Publications (1)
Publication Number | Publication Date |
---|---|
ES2327522T3 true ES2327522T3 (es) | 2009-10-30 |
Family
ID=32947139
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
ES04718327T Expired - Lifetime ES2327522T3 (es) | 2003-03-25 | 2004-03-08 | Procedimiento de reconocimiento de palabra distribuido. |
Country Status (8)
Country | Link |
---|---|
US (1) | US7689424B2 (es) |
EP (1) | EP1606796B1 (es) |
CN (1) | CN1764946B (es) |
AT (1) | ATE433181T1 (es) |
DE (1) | DE602004021359D1 (es) |
ES (1) | ES2327522T3 (es) |
FR (1) | FR2853126A1 (es) |
WO (1) | WO2004088637A1 (es) |
Families Citing this family (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006106272A2 (fr) * | 2005-04-07 | 2006-10-12 | France Telecom | Procede de synchronisation entre une operation de traitement de reconnaissance vocale et une action de declenchement du dit traitement |
GB0513820D0 (en) * | 2005-07-06 | 2005-08-10 | Ibm | Distributed voice recognition system and method |
US8103253B2 (en) | 2005-09-22 | 2012-01-24 | Cisco Technology, Inc. | System and method for transmitting messages to a wireless communication device |
US8949130B2 (en) * | 2007-03-07 | 2015-02-03 | Vlingo Corporation | Internal and external speech recognition use with a mobile communication facility |
US20090030691A1 (en) * | 2007-03-07 | 2009-01-29 | Cerra Joseph P | Using an unstructured language model associated with an application of a mobile communication facility |
US8886540B2 (en) * | 2007-03-07 | 2014-11-11 | Vlingo Corporation | Using speech recognition results based on an unstructured language model in a mobile communication facility application |
US8949266B2 (en) * | 2007-03-07 | 2015-02-03 | Vlingo Corporation | Multiple web-based content category searching in mobile search application |
US20080221884A1 (en) | 2007-03-07 | 2008-09-11 | Cerra Joseph P | Mobile environment speech processing facility |
US8635243B2 (en) * | 2007-03-07 | 2014-01-21 | Research In Motion Limited | Sending a communications header with voice recording to send metadata for use in speech recognition, formatting, and search mobile search application |
US8886545B2 (en) | 2007-03-07 | 2014-11-11 | Vlingo Corporation | Dealing with switch latency in speech recognition |
US8838457B2 (en) * | 2007-03-07 | 2014-09-16 | Vlingo Corporation | Using results of unstructured language model based speech recognition to control a system-level function of a mobile communications facility |
US10056077B2 (en) | 2007-03-07 | 2018-08-21 | Nuance Communications, Inc. | Using speech recognition results based on an unstructured language model with a music system |
US9135809B2 (en) | 2008-06-20 | 2015-09-15 | At&T Intellectual Property I, Lp | Voice enabled remote control for a set-top box |
US9634855B2 (en) | 2010-05-13 | 2017-04-25 | Alexander Poltorak | Electronic personal interactive device that determines topics of interest using a conversational agent |
US20120059655A1 (en) * | 2010-09-08 | 2012-03-08 | Nuance Communications, Inc. | Methods and apparatus for providing input to a speech-enabled application program |
JP6416752B2 (ja) * | 2013-04-19 | 2018-10-31 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカPanasonic Intellectual Property Corporation of America | 家電機器の制御方法、家電機器制御システム、及びゲートウェイ |
CN104700832B (zh) * | 2013-12-09 | 2018-05-25 | 联发科技股份有限公司 | 语音关键字检测***及方法 |
JP6276132B2 (ja) | 2014-07-30 | 2018-02-07 | 株式会社東芝 | 発話区間検出装置、音声処理システム、発話区間検出方法およびプログラム |
US9997173B2 (en) * | 2016-03-14 | 2018-06-12 | Apple Inc. | System and method for performing automatic gain control using an accelerometer in a headset |
US20170365249A1 (en) * | 2016-06-21 | 2017-12-21 | Apple Inc. | System and method of performing automatic speech recognition using end-pointing markers generated using accelerometer-based voice activity detector |
WO2018034059A1 (ja) * | 2016-08-17 | 2018-02-22 | パナソニックIpマネジメント株式会社 | 音声入力装置、翻訳装置、音声入力方法、及び音声入力プログラム |
US9779755B1 (en) * | 2016-08-25 | 2017-10-03 | Google Inc. | Techniques for decreasing echo and transmission periods for audio communication sessions |
CN108010523B (zh) * | 2016-11-02 | 2023-05-09 | 松下电器(美国)知识产权公司 | 信息处理方法以及记录介质 |
CN110033765A (zh) * | 2019-04-11 | 2019-07-19 | 中国联合网络通信集团有限公司 | 一种语音识别的方法及终端 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6122613A (en) * | 1997-01-30 | 2000-09-19 | Dragon Systems, Inc. | Speech recognition using multiple recognizers (selectively) applied to the same input sample |
JP2002540477A (ja) * | 1999-03-26 | 2002-11-26 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | クライアント−サーバ音声認識 |
US6823306B2 (en) * | 2000-11-30 | 2004-11-23 | Telesector Resources Group, Inc. | Methods and apparatus for generating, updating and distributing speech recognition models |
US20030004720A1 (en) * | 2001-01-30 | 2003-01-02 | Harinath Garudadri | System and method for computing and transmitting parameters in a distributed voice recognition system |
US6898567B2 (en) * | 2001-12-29 | 2005-05-24 | Motorola, Inc. | Method and apparatus for multi-level distributed speech recognition |
JP2003295890A (ja) * | 2002-04-04 | 2003-10-15 | Nec Corp | 音声認識対話選択装置、音声認識対話システム、音声認識対話選択方法、プログラム |
US7197331B2 (en) * | 2002-12-30 | 2007-03-27 | Motorola, Inc. | Method and apparatus for selective distributed speech recognition |
-
2003
- 2003-03-25 FR FR0303614A patent/FR2853126A1/fr active Pending
-
2004
- 2004-03-08 DE DE602004021359T patent/DE602004021359D1/de not_active Expired - Fee Related
- 2004-03-08 EP EP04718327A patent/EP1606796B1/fr not_active Expired - Lifetime
- 2004-03-08 CN CN2004800080265A patent/CN1764946B/zh not_active Expired - Lifetime
- 2004-03-08 ES ES04718327T patent/ES2327522T3/es not_active Expired - Lifetime
- 2004-03-08 AT AT04718327T patent/ATE433181T1/de not_active IP Right Cessation
- 2004-03-08 WO PCT/FR2004/000547 patent/WO2004088637A1/fr active Application Filing
- 2004-03-08 US US10/550,971 patent/US7689424B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
WO2004088637A1 (fr) | 2004-10-14 |
DE602004021359D1 (de) | 2009-07-16 |
EP1606796A1 (fr) | 2005-12-21 |
EP1606796B1 (fr) | 2009-06-03 |
FR2853126A1 (fr) | 2004-10-01 |
US7689424B2 (en) | 2010-03-30 |
US20070061147A1 (en) | 2007-03-15 |
CN1764946A (zh) | 2006-04-26 |
CN1764946B (zh) | 2010-08-11 |
ATE433181T1 (de) | 2009-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
ES2327522T3 (es) | Procedimiento de reconocimiento de palabra distribuido. | |
ES2331698T3 (es) | Sistema de reconocimiento de voz distribuido. | |
EP3559944B1 (en) | Server side hotwording | |
CN105765650B (zh) | 带有多向解码的语音辨识器 | |
CN110534099B (zh) | 语音唤醒处理方法、装置、存储介质及电子设备 | |
US9330669B2 (en) | System and method for performing dual mode speech recognition | |
ES2291440T3 (es) | Procedimiento, modulo, dispositivo y servidor para reconocimiento de voz. | |
US20210065711A1 (en) | Temporary account association with voice-enabled devices | |
JP6497372B2 (ja) | 音声対話装置および音声対話方法 | |
EP3526789B1 (en) | Voice capabilities for portable audio device | |
US20190378500A1 (en) | Temporary account association with voice-enabled devices | |
US10194023B1 (en) | Voice user interface for wired communications system | |
JPWO2003015076A1 (ja) | 鳴声の音声的特徴分析に基づく犬の感情判別装置及びその方法 | |
US10326886B1 (en) | Enabling additional endpoints to connect to audio mixing device | |
CN110349575A (zh) | 语音识别的方法、装置、电子设备和存储介质 | |
JP2021140134A (ja) | 音声を認識するための方法、装置、電子機器、コンピュータ可読記憶媒体及びコンピュータプログラム | |
KR20180075009A (ko) | 음성 처리 장치, 이를 포함하는 차량 및 음성 처리 방법 | |
US11823549B1 (en) | Contextual response to motion-based event | |
US20200156537A1 (en) | Voice activated vehicle alarm | |
CN111091819A (zh) | 语音识别装置和方法、语音交互***和方法 | |
US11348579B1 (en) | Volume initiated communications | |
CN110556111A (zh) | 语音数据处理方法及装置、***、电子设备、存储介质 | |
CN110570843B (zh) | 一种用户语音识别方法和装置 | |
CN110033584B (zh) | 服务器、控制方法以及计算机可读取记录介质 | |
CN114596840B (zh) | 语音识别方法、装置、设备及计算机可读存储介质 |