DE10015960A1

DE10015960A1 - Spracherkennungsverfahren und Spracherkennungsvorrichtung

Info

Publication number: DE10015960A1
Application number: DE10015960A
Authority: DE
Inventors: Bernd Burchard; Tobias Schneider; Thomas Volk; Jean-Philippe Fournier
Original assignee: TDK Micronas GmbH
Current assignee: TDK Micronas GmbH
Priority date: 2000-03-30
Filing date: 2000-03-30
Publication date: 2001-10-11
Anticipated expiration: 2020-03-31
Also published as: DE10015960C2; US20020049596A1; US6826533B2; EP1139333A3; EP1139333A2

Abstract

Zur Steuerung eines beliebigen Systems mittels Spracherkennung wird vorgeschlagen, die Spracherkennung in Form einer vordefinierten Zustandsfolge (100-104) durchzuführen, wobei bei Erkennen eines entsprechenden Sprachbefehls von einem Zustand in einen anderen Zustand gewechselt wird und der Wechsel in Abhängigkeit von mindestens einem Spracherkennungsparameter erfolgt. Die Spracherkennungsparameter können beispielsweise die sogenannte "False Acceptance Rate" (FAR) und/oder "False Rejection Rate" (FRR) beeinflussen, die somit für die einzelnen Zustände (100-104) auf zustandsindividuelle Werte eingestellt werden, um eine verbesserte Erkennungsgenauigkeit zu erzielen.

Description

Die vorliegende Erfindung betrifft ein Spracherkennungsver fahren nach dem Oberbegriff des Anspruches 1 sowie eine Spra cherkennungsvorrichtung nach dem Oberbegriff des Anspruches 8.

Sprachgesteuerte Systeme sind heutzutage weitläufig bekannt und bieten den Vorteil, daß die steuernde Person nicht zu ei nem direkten Kontakt mit dem jeweils zu steuernden Gerät ge zwungen ist.

Die eigentliche Spracherkennung erfolgt mit Hilfe entspre chender Spracherkennungsalgorithmen, die auf ein vorgegebenes Sprachvokabular zugreifen. Die Spracherkennungsalgorithmen müssen derart beschaffen sein, daß der an das zu steuernde Gerät gerichtete Sprachbefehl möglichst gut von ähnlichen Um gebungsgeräuschen oder Lautfolgen unterschieden werden kann.

Dabei tritt das Problem auf, daß teilweise auch Lautfolgen als ein Sprachbefehl erkannt werden, obwohl diese nicht zu dem ursprünglich vorgesehenen Sprachvokabular gehören. Diese irrtümliche Akzeptierung einer vermeintlichen Sprachbefehls wird durch die sogenannten 'False Acceptance Rate' (FAR) be schrieben, die angibt, wie viele Lautfolgen als Sprachbefehl erkannt wurden, obwohl sie nicht zu dem vorgesehenen Vokabu lar gehörten. Die FAR-Rate ist somit ein Maß für die Akzep tanzempfindlichkeit bzw. Akzeptanzschwelle, anhand der ent schieden wird, daß eine Lautfolge als Sprachbefehl akzeptiert und anschließend entsprechend ausgewertet wird.

Ebenso werden teilweise Sprachbefehle nicht erkannt, obwohl sie zu dem ursprünglich vorgesehenen Sprachvokabular gehören. Diese irrtümliche Zurückweisung von korrekten Sprachbefehlen wird durch die sogenannten 'False Rejection Rate' (FRR) beschrieben, die angibt, wie viele Sprachbefehle nicht erkannt wurden, obwohl sie zu dem vorgesehenen Vokabular gehörten. Die FRR-Rate ist somit ein Maß für die Zurückweisungsempfind lichkeit oder Zurückweisungsschwelle, bei der ein Sprachbe fehl nicht erkannt wird.

Bei der Steuerung eines Geräts mittels Sprache ohne Verwen dung eines zusätzlichen Signalgebers, wie beispielsweise ei nes Tasters oder Schalters, besteht das Problem darin, gleichzeitig eine möglichst optimale FAR-Rate und FRR-Rate zu erzielen. Beide Fehlerraten sollten im Idealfall minimal sein.

Algorithmusbedingt sind die beiden Fehlerraten oder Empfind lichkeiten jedoch gegenläufig, d. h. eine ansteigende FAR-Rate ist mit einer abfallenden FRR-Rate verbunden und umgekehrt, so daß sich beide Fehlerraten nicht gleichzeitig optimieren lassen. Im Extremfall wird kein Sprachbefehl erkannt (d. h. FAR = 0%, FRR = 100%) bzw. alle Lautfolgen als Sprachbefehl akzeptiert (FAR = 100%, FRR = 0%).

In herkömmlichen Spracherkennungssystemen wird u. a. ein Spra cherkennungsverfahren nach dem Oberbegriff des Anspruches 1 mit Hilfe von 'Keyword Spotting' angewendet, bei dem das Er kennen eines Schlüsselworts ('Keyword') erforderlich ist, welches den Beginn einer Befehlssequenz markiert und zur Ak tivierung der eigentlichen Spracherkennungsfunktion des je weiligen sprachgesteuerten Geräts dient. Nach dem Erkennen des Schlüsselworts wird von dem Spracherkennungsalgorithmus dann auf die Eingabe eines Sprachbefehls gewartet, der einen Menüpunkt auswählt oder einen entsprechenden Steuerparameter einstellt. Durch den Sprachbefehl 'Lautstärke' kann somit beispielsweise der Menüpunkt zur Einstellung der Lautstärke ausgewählt werden, während durch den Sprachbefehl 'leise' der entsprechende Lautstärkeparameter eingestellt wird. Durch die optionale Eingabe eines geeigneten Schlußbefehls, wie bei spielsweise 'Ende', kann die Befehlssequenz beendet werden.

Ebenso kann der Spracherkennungsalgorithmus jedoch auch das Ende der Befehlssequenz aus dem vorgegebenen und zuvor durch laufenen Menüschema erkennen.

Bei diesen Spracherkennungssystemen werden somit verschiedene Zustände durchlaufen, wobei im ersten Zustand auf die Erken nung des Schlüsselworts gewartet wird. Nach dem Erkennen des Schlüsselworts wird in mindestens einem weiteren Zustand auf die Erkennung eines Sprachbefehls zur Auswahl eines Me nüpunkts bzw. zur Einstellung eines entsprechenden Parameters gewartet. Die Erkennung der einzelnen Sprachbefehle wird da bei in den einzelnen Zuständen mit konstanten Werten für die FAR-Rate und die FRR-Rate durchgeführt, die derart einge stellt sind, daß ein suboptimaler Kompromiß realisiert ist. Bei dieser Vorgehensweise treten jedoch, da keiner der Para meter auf einen optimalen Wert eingestellt ist, wesentliche Fehlauslösungen auf.

Der vorliegenden Erfindung liegt die Aufgabe zugrunde, ein Spracherkennungsverfahren und eine Spracherkennungsvorrich tung vorzuschlagen, bei der die Spracherkennungsgenauigkeit, d. h. die Wahrscheinlichkeit von Fehlauslösungen, verringert ist.

Diese Aufgabe wird erfindungsgemäß durch ein Spracherken nungsverfahren mit den Merkmalen des Anspruches 1 bzw. eine Spracherkennungsvorrichtung mit den Merkmalen des Anspruches 8 gelöst. Die Unteransprüche definieren jeweils bevorzugte und vorteilhafte Ausführungsformen der vorliegenden Erfin dung.

Erfindungsgemäß erfolgt die Spracherkennung mit zustandsspe zifisch eingestellten Spracherkennungsparametern, welche auch als sogenannten 'Scores' bezeichnet werden. Die Spracherken nungsparameter werden in den einzelnen Zuständen somit auf unterschiedliche Werte eingestellt, so daß beispielsweise die FAR-Rate und die FRR-Rate entsprechend zustandsspezifisch beeinflußt werden. Diese Vorgehensweise besitzt den Vorteil, daß die Spracherkennungsparameter für jeden Zustand optimal angepaßt werden können. Mit Hilfe der vorliegenden Erfindung kann der Tatsache Rechnung getragen werden, daß das jeweils gewünschte Empfindlichkeitsverhalten des Spracherkenners zu mindest in gewissen Grenzen vom jeweiligen Zustand abhängig ist.

Insbesondere ist es vorteilhaft, wenn in demjenigen Zustand, in dem auf die Eingabe des Schlüsselworts gewartet wird, für die FAR-Rate ein geringerer Wert als in den anderen Zuständen gewählt wird, so daß die der FAR-Rate entsprechende Akzep tanzschwelle, bei der eine Lautfolge als Sprachbefehl erkannt wird, erhöht wird, wodurch der Benutzer gezwungen wird, das Schlüsselwort deutlich zu sprechen und gegebenenfalls zu wie derholen. Mit der Minimierung der FAR-Rate ist in der Regel eine Erhöhung der FRR-Rate verbunden, d. h. die Zurückwei sungsschwelle, bei der ein Sprachbefehl nicht erkannt wird, wird herabgesetzt.

Nach Erkennen des Schlüsselworts kann die FAR-Rate erhöht und damit die Akzeptanzschwelle herabgesetzt werden. Gleichzeitig wird die FRR-Rate reduziert und damit die Wahrscheinlichkeit einer irrtümlichen Zurückweisung eines Sprachbefehls verrin gert. Hierdurch wird die Wahrscheinlichkeit einer Fehlauslö sung von komplexeren Sprachbefehlen gesenkt und gleichzeitig der Bedienungskomfort gesteigert.

Durch die zuvor beschriebene zustandsabhängige Einstellung der Spracherkennungsparameter kann die Tatsache ausgenutzt werden, daß die Wahrscheinlichkeit für ein Steuerwort bzw. einen Steuerbefehl nach Erkennen des Schlüsselworts bei nahe zu 100% liegt, da bei anderen Gelegenheiten als dem Ausgangs zustand, in dem auf die Eingabe des Schlüsselworts gewartet wird, das Auftreten des Schlüsselworts unwahrscheinlich ist.

Ein bevorzugtes Anwendungsgebiet der vorliegenden Erfindung ist der Bereich der Unterhaltungselektronik, wo die Sprach steuerung zunehmend an Bedeutung gewinnen wird. Die Erfindung eignet sich jedoch im Prinzip für beliebig ausgestaltete Sy steme, die mittels Spracherkennung gesteuert werden sollen. Des weiteren ist die Erfindung nicht nur auf die Einstellung der FAR-Rate und der FRR-Rate beschränkt, sondern kann auch auf die Einstellung anderer Spracherkennungsparameter ange wendet werden, die für die Spracherkennungsfunktion maßgeb lich sind.

Die Erfindung wird nachfolgend näher unter Bezugnahme auf die Zeichnung anhand eines bevorzugten Ausführungsbeispiels be schrieben.

Fig. 1 zeigt den Ablauf eines erfindungsgemäßen Spracherken nungsverfahrens, und

Fig. 2 zeigt ein vereinfachtes Blockschaltbild eines erfin dungsgemäßen Spracherkennungsvorrichtung.

In Fig. 2 ist schematisch der Aufbau einer Spracherkennungs vorrichtung dargestellt, wie sie beispielsweise in einem sprachgesteuerten Fernsehgerät oder dergleichen eingesetzt werden kann.

Die Spracherkennungsvorrichtung 7 umfaßt ein Mikrofon oder Mikrofon-Array 1, über welches externe Schallsignale erfaßt werden. Die Schallsignale werden mit Hilfe eines (nicht ge zeigten) Verstärkers verstärkt und mit Hilfe eines Ana log/Digital-Wandlers 2 digitalisiert. Der digitale Datenstrom wird anschließend einer Spracherkennungseinheit 3 zugeführt, welche mit Hilfe eines Spracherkennungsalgorithmus versucht, in den einzelnen Schallsignalen enthaltene Sprachbefehle ei nes Benutzers zu erkennen. Zu diesem Zweck greift die Spra cherkennungseinheit 3 auf einen Programmspeicher 4 zu, in dem das jeweils auszuführende Spracherkennungsprogramm abgelegt ist. Zudem kommuniziert die Spracherkennungseinheit 3 mit ei nem Datenspeicher 5, der zum Zwischenspeichern von Daten, insbesondere der von dem Analog/Digital-Wandler 2 kommenden Daten, dient und auch alternativ mit dem Programmspeicher 4 durch einen gemeinsamen Speicher realisiert sein kann.

Der Programmspeicher 4 ist mit einer Programmierschnittstelle verbunden, über welche das gespeicherte Spracherkennungspro gramm verändert und insbesondere die für den jeweiligen Spra cherkennungsalgorithmus maßgeblichen Spracherkennungsparame ter eingestellt werden können, um insbesondere die FAR-Rate und die FRR-Rate für jeden Zustand auf gewünschte Werte ein zustellen.

Nach Erkennen eines Sprachbefehls, welcher zu einer gewünsch ten Einstellung eines bestimmten Parameters der jeweiligen sprachgesteuerten Vorrichtung führen soll, wird dieser Sprachbefehl von der Spracherkennungseinheit 3 in ein ent sprechendes Steuersignal für einen geeigneten Aktor 6 bzw. ein geeignetes Stellglied der sprachgesteuerten Vorrichtung, wie beispielsweise einen Schalter oder Regler etc., umge setzt, um die dem erkannten Sprachbefehl entsprechende ge wünschte Einstellung herbeizuführen.

Die von der Spracherkennungseinheit 3 durchgeführte Spracher kennung erfolgt im wesentlichen nach dem in Fig. 1 gezeigten Zustandsschema.

In einem Bereitschaftszustand ('Idle State') 100 wartet die Spracherkennungseinheit 3 auf das Erscheinen eines bestimmten Schlüsselworts. Das Erkennen des Schlüsselworts hat die Selbstaktivierung der Spracherkennungsfunktion zur Folge. Bei dem Schlüsselwort sollte es sich um einen Begriff handeln, der in der normalen Sprache nicht vorkommt (beispielsweise 'Akustik-TV' zur Sprachsteuerung eines Fernsehgeräts), so daß Fehlauslösungen durch den nicht ausgewerteten Kontext des je weils gesprochenen Befehls unwahrscheinlich sind.

Im Bereitschaftszustand 100, in dem auf die Eingabe des Schlüsselworts gewartet wird, ist die FAR-Rate auf einen re lativ niedrigen Wert, insbesondere auf einen niedrigeren Wert als in den anderen Zuständen, eingestellt, so daß die der FAR-Rate entsprechende Akzeptanzschwelle, bei der eine Laut folge als Sprachbefehl erkannt wird, erhöht wird, wodurch der Benutzer gezwungen wird, das Schlüsselwort deutlich zu spre chen und gegebenenfalls zu wiederholen. Mit der Minimierung der FAR-Rate ist in der Regel eine Erhöhung der FRR-Rate ver bunden.

Nach Erkennen des Schlüsselworts wird in einen Zustand 101 gewechselt, in dem die Spracherkennungseinheit 3 auf das Auf treten eines Sprachbefehls wartet, durch den ein Menüpunkt ausgewählt oder ein gewünschter Parameter, beispielsweise die Lautstärke, des sprachgesteuerten Geräts auf einen gewünsch ten Wert eingestellt wird.

Im folgenden wird davon ausgegangen, daß bis zur Einstellung eines Steuerparameters insgesamt N Sprachbefehle oder Me nüwörter eingegeben werden müssen.

Nach Erkennen des ersten Menüworts wird somit in einen Zu stand 102 gewechselt. Nach dem Erkennen des N-ten Menüworts, durch welches der gewünschte Parameter auf einen gewünschten Wert eingestellt wird, befindet sich die Spracherkennungsein heit 3 in einem Zustand 103. Diesen Zustand 103 erreicht die Spracherkennungseinheit 3 nur, wenn sowohl das Schlüsselwort als auch sämtliche N Menüwörter erkannt wurden.

In diesem Zustand 103 kann die Spracherkennungseinheit 3 in Kenntnis der sinnvollen Befehlssequenzlänge N das Ende dieser Befehlsfolge erkennen und automatisch wieder in den Bereit schaftszustand 100 wechseln.

Alternativ kann die Spracherkennungseinheit 3 im Zustand 103 auch auf das Auftreten eines geeigneten Schlußbefehls warten, durch welchen der Benutzer das Ende der Befehlssequenz mit teilt. Das Erkennen dieses Schlußbefehls hat einen Wechsel in einen Endzustand 104 zur Folge, wobei anschließend die Spra cherkennungseinheit 3 wieder in den Bereitschaftszustand 100 zurückkehrt.

Nach Erkennen des Schlüsselworts im Zustand 100 kann die FAR- Rate erhöht und damit die Akzeptanzschwelle herabgesetzt wer den. Gleichzeitig wird die FRR-Rate reduziert und damit die Wahrscheinlichkeit einer irrtümlichen Zurückweisung eines Sprachbefehls verringert. Diese Einstellung kann für die dem Bereitschaftszustand 100 nachfolgenden Zustände 101-104 bei behalten werden. Hierdurch wird die Wahrscheinlichkeit einer Fehlauslösung von komplexeren Sprachbefehlen gesenkt und gleichzeitig der Bedienungskomfort gesteigert.

Claims

1. Spracherkennungsverfahren,
wobei ein Sprachbefehl erkannt und eine zu steuernde Vorrich tung entsprechend gesteuert wird,
wobei das Spracherkennungsverfahren in Form einer vordefi nierten Zustandsfolge (100-104) erfolgt, wobei bei Erkennen eines entsprechenden Sprachbefehls von einen Zustand in einen anderen Zustand gewechselt wird und in jedem Zustand die Spracherkennung gemäß mindestens einem Spracherkennungspara meter durchgeführt wird,
dadurch gekennzeichnet,
daß der mindestens eine Spracherkennungsparameter für die einzelnen Zustände (100-104) individuell eingestellt wird.

2. Spracherkennungsverfahren nach Anspruch 1, dadurch gekennzeichnet,
daß der mindestens eine Spracherkennungsparameter zur ent sprechenden zustandsindividuellen Einstellung einer ersten Spracherkennungsrate (FAR) für die einzelnen Zustände (100- 104) individuell eingestellt wird,
wobei die erste Spracherkennungsrate (FAR) ein Maß dafür ist, wie viele Sprachbefehle als solche erkannt werden, obwohl sie nicht zu einem dem Spracherkennungsverfahren zugrundeliegen den Spracherkennungsvokabular gehören.

3. Spracherkennungsverfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet,
daß der mindestens eine Spracherkennungsparameter zur ent sprechenden zustandsindividuellen Einstellung einer zweiten Spracherkennungsrate (FRR) für die einzelnen Zustände (100- 104) individuell eingestellt wird,
wobei die zweite Spracherkennungsrate (FRR) ein Maß dafür ist, wie viele Sprachbefehle nicht erkannt werden, obwohl sie zu einem dem Spracherkennungsverfahren zugrundeliegenden Spracherkennungsvokabular gehören.

4. Spracherkennungsverfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet,
daß in einem ersten Zustand (100) auf ein gesprochenes Schlüsselwort zur Aktivierung der Spracherkennung gewartet wird, und
daß nach Erkennen des gesprochenes Schlüsselworts von dem er sten Zustand (100) in mindestens einen zweiten Zustand (101- 103) gewechselt wird, in dem auf einen Sprachbefehl zur Aus wahl und/oder Einstellung eines Parameters der zu steuernden Vorrichtung gewartet wird.

5. Spracherkennungsverfahren nach Anspruch 4 und Anspruch 2, dadurch gekennzeichnet,
daß die erste Spracherkennungsrate (FAR) in dem ersten Zu stand (100) auf einen ersten Wert und in dem zweiten Zustand (101-103) auf einen zweiten Wert eingestellt wird,
wobei der erste und zweite Wert für die erste Spracherken nungsrate (FAR) derart gewählt werden, daß die Rate der Sprachbefehle, die in dem jeweiligen Zustand als solche er kannt werden, obwohl sie nicht zu dem Spracherkennungsvokabu lar gehören, in dem ersten Zustand (100) kleiner als in dem zweiten Zustand (101-103) ist.

6. Spracherkennungsverfahren nach Anspruch 4 und Anspruch 3, dadurch gekennzeichnet,
daß die zweite Spracherkennungsrate (FRR) in dem ersten Zu stand (100) auf einen ersten Wert und in dem zweiten Zustand (101-103) auf einen zweiten Wert eingestellt wird,
wobei der erste und zweite Wert für die zweite Spracherken nungsrate (FRR) derart gewählt werden, daß die Rate der Sprachbefehle, die in dem jeweiligen Zustand nicht erkannt werden, obwohl sie zu dem Spracherkennungsvokabular gehören, in dem ersten Zustand (100) größer als in dem zweiten Zustand (101-103) ist.

7. Spracherkennungsverfahren nach einem der Ansprüche 4-6, dadurch gekennzeichnet, daß bei Erkennen eines gesprochenen Schlußbefehls, welcher das Ende der Sprachsteuerung für die zu steuernde Vorrichtung bezeichnet, oder bei Erkennen einer vorgegebenen Folge von Sprachbefehlen von dem zweiten Zustand (101-103) wieder in den ersten Zustand (100) gewechselt wird.

8. Spracherkennungsvorrichtung,
mit Schallerfassungsmitteln (1) zum Erfassen eines Schallsi gnals, und
mit Spracherkennungsmitteln (3) zum Erkennen eines in einem erfaßten Schallsignal enthaltenen Sprachbefehls und zum Um setzen des erkannten Sprachbefehls in ein entsprechendes Steuersignal für eine zu steuernde Vorrichtung,
wobei die Spracherkennungsmittel (3) derart ausgestaltet sind, daß sie die Spracherkennung in Form einer vordefinier ten Zustandsfolge (100-104) durchführen und bei Erkennen ei nes entsprechenden Sprachbefehls von einen Zustand in einen anderen Zustand wechseln, wobei sie Spracherkennungsmittel (3) die Spracherkennung in jedem Zustand gemäß mindestens ei nem Spracherkennungsparameter durchführen,
dadurch gekennzeichnet,
daß der mindestens eine Spracherkennungsparameter für die einzelnen Zustände (100-104) auf unterschiedliche Werte ein gestellt ist.

9. Spracherkennungsvorrichtung nach Anspruch 8, dadurch gekennzeichnet, daß Programmiermittel (4) zum Programmieren des mindestens einen Spracherkennungsparameters auf die den einzelnen Zu ständen (100-104) entsprechenden Werte vorgesehen sind.

10. Spracherkennungsvorrichtung nach Anspruch 8 oder 9, dadurch gekennzeichnet, daß die Spracherkennungsvorrichtung (7) bzw. die Spracherken nungsmittel (3) der Spracherkennungsvorrichtung (7) zur Durchführung des Verfahrens nach einem der Ansprüche 1-7 aus gestaltet sind.