DE102006029755A1

DE102006029755A1 - Verfahren und Vorrichtung zur natürlichsprachlichen Erkennung einer Sprachäußerung

Info

Publication number: DE102006029755A1
Application number: DE102006029755A
Authority: DE
Original assignee: Deutsche Telekom AG
Current assignee: Deutsche Telekom AG
Priority date: 2006-06-27
Filing date: 2006-06-27
Publication date: 2008-01-03
Also published as: BRPI0713987A2; EP2036078A1; US9208787B2; CN101484934B; CN101484934A; RU2009102507A; KR20090033459A; WO2008000353A1; US20100114577A1; CA2656114C; CA2656114A1; RU2432623C2

Abstract

Die Erfindung betrifft ein Verfahren und eine Vorrichtung zur natürlichsprachlichen Erkennung einer Sprachäußerung. Es wird eine Sprachäußerung einer Person erfasst und in ein für eine Spracherkennungseinrichtung zu verarbeitendes Sprachsignal umgewandelt. Danach erfolgt eine Analyse des Sprachsignals parallel oder sequentiell in mehreren Spracherkennungszweigen der Spracherkennungseinrichtung unter Verwendung von mehreren Grammatiken, wobei der Erkennungsprozess erfolgreich beendet wird, falls die Analyse des Sprachsignals in mindestens einem Spracherkennungszweig ein positives Erkennungsergebnis liefert.

Description

Die Erfindung betrifft ein Verfahren und eine Vorrichtung zur natürlichsprachlichen Erkennung einer Sprachäußerung, insbesondere auf Basis eines Spracherkennungssystems, das beispielsweise auf einem elektronischen Datenverarbeitungssystem ausführbar ist.
Spracherkennungssysteme sind für den Einsatz in unterschiedlichen Anwendungsgebieten vorgesehen. Beispielsweise werden Spracherkennungssysteme in Verbindung mit Büroapplikationen zur Erfassung von Texten oder in Verbindung mit technischen Einrichtungen zu deren Steuerung und Befehlseingabe eingesetzt. Spracherkennungssysteme werden auch zur Steuerung von Informations- und Kommunikationsgeräten wie z.B. Radio, Mobiltelefon und Navigationssystemen eingesetzt. Firmen setzen außerdem Sprachdialogsysteme zur Kundenberatung und -information ein, die ebenfalls auf Spracherkennungssystemen basieren. Auf diese letzteren ist die Patentanmeldung bezogen.
Dabei werden bei der automatischen Spracherkennung zur Bewertung von Wortfolgen so genannte Sprachmodelle eingesetzt, die auf einem grammatischen Regelwerk, auch bezeichnet als Grammatik oder Grammar, basieren. Die Grammatiken definieren eindeutige Satzregeln. Auf Grammatiken basierende Spracherkennungssysteme weisen eine hohe Erkennungssicherheit auf.
Insbesondere bei der Kundenberatung im technischen Bereich, beispielsweise in Verbindung mit Mobiltelefonen und Tarifen, werden immer leistungsfähigere Spracherkennungssysteme gefordert. Um die zahlreichen Kundenäußerungen zu verstehen, bedarf es sehr großer Grammatiken, deren Umfang zu Lasten der Erkennungssicherheit geht.
Jeder automatisierte Spracherkennungsprozess basiert auf dem Abgleich einer konkreten Anruferäußerung mit hinterlegten Wörtern oder Aussagen. Nur im Fall einer Übereinstimmung gilt eine Äußerung als erkannt und kann eine festgelegte Aktion auslösen. Hieraus ergibt sich jedoch ein „Grammar Dilemma": Kleine Grammatiken haben einen geringen Erkennungsumfang, dafür jedoch eine bessere Erkennungssicherheit. Große Grammatiken decken umgekehrt ein großes Aussagenspektrum ab, während die Erkennungssicherheit sinkt.
Die Aufgabe der Erfindung liegt deshalb darin, ein Spracherkennungsverfahren und -system mit einem großen Erkennungsumfang bei geringem Umfang der Grammatik zu realisieren. Gesucht ist mithin ein Grammatikmodell, das die positiven Aspekte von großen und kleinen Grammatiken nutzt, ohne deren negativen Aspekte zu implizieren.
Diese Aufgabe wird erfindungsgemäß durch eine Verfahren und eine Vorrichtung mit den Merkmalen der unabhängigen Patentansprüche gelöst.
Bevorzugte Ausgestaltungen und weitere vorteilhafte Merkmale der Erfindung ergeben sich aus den Unteransprüchen.
Das erfindungsgemäße Verfahren beruht auf der Erfassung einer Sprachäußerung einer Person und Umwandlung in ein für eine Spracherkennungseinrichtung zu verarbeitendes Sprachsignal, der Analyse des Sprachsignals parallel oder sequentiell in mehreren Spracherkennungszweigen der Spracherkennungseinrichtung unter Verwendung von mehreren Grammatiken, und dem erfolgreichen Beenden des Erkennungsprozesses, falls die Analyse des Sprachsignals in mindestens einem Spracherkennungszweig ein positives Erkennungsergebnis liefert.
In einer ersten Ausgestaltung der Erfindung erfolgt eine simultane Analyse der Sprachäußerung durch zwei oder mehrere unabhängige Grammatiken. In diesem Fall werden durch die Sprachäußerung einer Person zwei oder mehrere gleichzeitige Erkennungsprozesse angestoßen, welche die Sprachäußerung unabhängig voneinander analysieren und bewerten. Beispielsweise wird hier einer vergleichsweise kleinen Hauptgrammatik mit einem geringen Erkennungsumfang, eine umfassendere Nebengrammatik mit einem erweiterten Erkennungsumfang an die Seite gestellt. Beide Grammatiken sind ohne gemeinsame Schnittmenge.
Eine zweite Ausgestaltung der Erfindung betrifft eine Grammatikkaskade. Bei diesem Modell kommen unterschiedliche Grammatiken nacheinander, also sequentiell, zum Einsatz. In dem Moment, in dem eine Grammatik ein Erkennungsergebnis liefert, wird die Kaskade verlassen und der Erkennungsprozess beendet. Bei diesem Verfahren werden 100% aller zu erkennenden Äußerungen mit der ersten Grammatik verglichen. Je nach Leistungsfähigkeit und Gestaltung dieser Grammatik wird ein Anteil von beispielsweise 20% von nicht erkannten Äußerungen an eine zweite Erkennungsstufe weiter gereicht. Für den Fall dass eine dritte Erkennungsstufe eingebaut wird, kann davon ausgegangen werden, dass ein Anteil von beispielsweise 5% aller eingehenden Äußerungen diese dritte Erkennungsstufe erreicht.
Mit beiden Erkennungsverfahren soll ein umfangreiches Aussagenspektrum mit mehreren „kleineren" Grammatiken abgedeckt werden, die in Kombination dennoch eine große Erkennungssicherheit garantieren. Dieses kann wie oben beschrieben in Form eines simultanen oder eines sukzessiven Erkennungsverfahrens geschehen.
Die beiden bevorzugten Ausführungsbeispiele der Erfindung werden nachfolgend anhand der Zeichnungen beschrieben.
1 zeigt schematisch eine erste Ausgestaltung des Spracherkennungssystems mit parallel arbeitenden Spracherkennungszweigen.
2 zeigt schematisch eine zweite Ausgestaltung des Spracherkennungssystems mit sequentiell arbeitenden, kaskadierten Spracherkennungszweigen.
Gemäß 1 wird ein Sprachäußerung einer Person, die als Sprachsignal 10 vorliegt, gleichzeitig zwei Spracherkennungszweigen zugeführt und durch zwei Grammatiken 12 und 14 (Grammatik A und Grammatik B) analysiert. Die beiden Grammatiken 12, 14 haben keine gemeinsame Schnittmenge, das heißt, sie basieren auf unterschiedlichen Regelwerken. Durch die parallele Verarbeitung des Sprachsignals erhöhen sich der Analyseaufwand und damit die notwendige Rechnerlast bei Anwendung des Verfahrens auf einem Computer. Dieser Umstand wird aber durch die schnellere Erkennung und wesentlich verbesserte Erkennungssicherheit aufgewogen.
Ein Vergleich 16 des Sprachsignals mit der Grammatik (A) 12 führt entweder zu einem positiven Erkennungsergebnis (Ja) oder einem negativen Erkennungsergebnis (Nein). Ebenso führt ein Vergleich 18 des Sprachsignals mit der Grammatik (B) 14 entweder zu einem positiven Erkennungsergebnis (Ja) oder einem negativen Erkennungsergebnis (Nein).
Im Rahmen des Erkennungsprozesses mit den simultan arbeitenden Grammatiken 12, 14 ergeben sich vier mögliche Erkennungsfälle, die mit unterschiedlichen Verfahren durch eine Logik 20 ausgewertet werden können.

Erkennungsfall	Grammatik 1 (Hauptgrammatik)	Grammatik 2 (Nebengrammatik)	Gesamtergebnis
1	Kein Ergebnis (Nein)	Kein Ergebnis (Nein)	Nicht erkannt
2	Ergebnis (Ja)	Kein Ergebnis (Nein)	Erkannt
3	Kein Ergebnis (Nein)	Ergebnis (Ja)	Erkannt
4	Ergebnis (Ja)	Ergebnis (Ja)	Erkannt

Die Erkennungsfälle 1 bis 3 sind insofern unproblematisch, als sie eindeutige Ergebnisse liefern: Fall 1 erzwingt ein Nicht-Erkennen des Sprachsignals und damit eine Zurückweisung, Position 24. Die Fälle 2 und 3 liefern nur jeweils ein positives Ergebnis und zeigen damit eindeutig ein Erkennen des Sprachsignals an, Position 22.
Für den Fall 4, bei dem beide Grammatiken 12, 14 das Sprachsignal 10 erkannt haben, muss demgegenüber eine spezielle Verfahrenslogik implementiert werden, da das Ergebnis nicht eindeutig ist. Diese kann starr zugunsten von Grammatik 12 entscheiden, an der Erkennungssicherheit (Confidence Level) orientiert sein oder eine Mischform aus beiden bilden (z.B.: Ergebnis aus Grammatik 14 wird nur verwendet, wenn Erkennungssicherheit um einen vorgegebenen Wert höher ist als bei Grammatik 12).
Anstelle von zwei parallelen Spracherkennungszweigen können erfindungsgemäß auch drei oder mehr parallel arbeitende Spracherkennungszweige vorgesehen sein.
2 zeigt eine andere bevorzugte Ausgestaltung der Erfindung. Hier sind mehrere Grammatiken 12, 14 und 26 (Grammatiken A, B und C) sequentiell in Form einer Kaskade miteinander verbunden. Das heißt, bei der Grammatikkaskade werden die verschiedenen Grammatiken 12, 14 und 26 nicht simultan, sondern sukzessiv angesprochen. Schematisch lässt sich der Erkennungsvorgang wie folgt darstellen: In dem Moment, in dem eine Grammatik ein positives Erkennungsergebnis liefert, wird die Kaskade verlassen und der Erkennungsprozess beendet, Position 22.
Das Sprachsignal 10 wird zunächst einer ersten Grammatik (A) 12 zugeführt und dort analysiert. Ein Vergleich 16 des Sprachsignals mit der Grammatik (A) 12 führt entweder zu einem positiven Erkennungsergebnis (Ja), bei dem der Erkennungsprozess erfolgreich beendet wird, oder einem negativen Erkennungsergebnis (Nein), bei dem das Sprachsignal zur weiteren Analyse einer zweiten Grammatik (B) 14 zugeführt wird. Ein Vergleich 18 des Sprachsignals 10 mit der zweiten Grammatik (B) 14 führt entweder zu einem positiven Erkennungsergebnis (Ja), bei dem der Erkennungsprozess erfolgreich beendet wird, oder einem negativen Erkennungsergebnis (Nein), bei dem das Sprachsignal zur weiteren Analyse einer dritten Grammatik (C) 26 zugeführt wird. Ein Vergleich 28 des Sprachsignals mit der dritten Grammatik (C) 26 führt entweder zu einem positiven Erkennungsergebnis (Ja), bei dem der Erkennungsprozess erfolgreich beendet wird, oder einem negativen Erkennungsergebnis (Nein), bei dem das Sprachsignal als nicht erkannt zurückgewiesen wird, Position 24.
Bei diesen Verfahren werden zunächst 100% aller eingehenden Sprachsignale 10 mit der ersten Grammatik 12 verglichen. Je nach Leistungsfähigkeit und Gestaltung dieser Grammatik, wird ein Teil der Sprachäußerungen nicht erkannt. Diese nicht erkannten Sprachsignale werden daraufhin an die zweite Erkennungsstufe weiter gereicht. Je nach Leistungsfähigkeit und Gestaltung der zweiten Erkennungsstufe, wird wiederum ein Teil der Sprachäußerungen nicht erkannt. Diese nicht erkannten Sprachsignale werden daraufhin an die dritte Erkennungsstufe weiter gereicht.
Der Vorzug der Grammatikkaskade gegenüber dem Verfahren der simultanen Erkennung durch mehrere Grammatiken liegt darin, dass es keine zusätzliche Rechnerlast gibt, da das Sprachsignal 10 zu jedem Zeitpunkt nur mit einer Grammatik abgeglichen wird. Durch die sukzessive Erkennung wird es jedoch notwendigerweise zu einer Steigerung der Latenzzeiten im System kommen.
Anstelle von drei kaskadierten Spracherkennungszweigen können erfindungsgemäß auch vier oder mehr sequentiell arbeitende Spracherkennungszweige vorgesehen sein.

10: Sprachsignal
12: Grammatik A
14: Grammatik B
18: Verzweigung A
20: Verzeigung B
22: Erkennung erfolgreiche
24: Erkennung nicht erfolgreich
26: Grammatik C
28: Verzweigung C

Claims

Verfahren zur natürlichsprachlichen Erkennung einer Sprachäußerung, mit den Schritten: – Erfassen der Sprachäußerung und Umwandeln in ein für eine Spracherkennungseinrichtung zu verarbeitendes Sprachsignal (10), – Analysieren des Sprachsignals (10) parallel oder sequentiell in mehreren Spracherkennungszweigen der Spracherkennungseinrichtung unter Verwendung von mehreren Grammatiken (12, 14, 26), und – erfolgreiches Beenden des Erkennungsprozesses der Sprachäußerung, falls die Analyse des Sprachsignals in mindestens einem Spracherkennungszweig ein positives Erkennungsergebnis liefert.
Verfahren nach Anspruch 1, gekennzeichnet durch die Schritte: a) Zuführen des Sprachsignals (10) zu mindestens einem ersten Spracherkennungszweig umfassend eine erste Grammatik (12) zur Analyse des Sprachsignals, und gleichzeitig zu einem zweiten Spracherkennungszweig umfassend eine zweite Grammatik (14) zur Analyse des Sprachsignals, b) Analyse des Sprachsignals durch die erste Grammatik (12), wobei im Fall einer Erkennung der Sprachäußerung ein positives erstes Erkennungsergebnis und im Fall einer Nicht-Erkennung der Sprachäußerung ein negatives erstes Erkennungsergebnis erzeugt wird, (c) Analyse des Sprachsignals durch die zweite Grammatik (14), wobei im Fall einer Erkennung der Sprachäußerung ein positives zweites Erkennungsergebnis und im Fall einer Nicht-Erkennung der Sprachäußerung ein negatives zweites Erkennungsergebnis erzeugt wird, (d) Treffen einer Entscheidung über die erfolgreiche Erkennung der Sprachäußerung anhand einer Auswertung des ersten und des zweiten Erkennungsergebnisses.
Verfahren nach Anspruch 1, gekennzeichnet durch die Schritte: (a) Zuführen des Sprachsignals (10) zu einem ersten Spracherkennungszweig umfassend eine erste Grammatik (12) zur Analyse des Sprachsignals, (b) Analyse des Sprachsignals (10) durch die erste Grammatik (12), wobei im Fall einer Erkennung der Sprachäußerung ein positives erstes Erkennungsergebnis erzeugt wird und der Erkennungsprozess beendet wird, und im Fall einer Nicht-Erkennung der Sprachäußerung ein negatives erstes Erkennungsergebnis erzeugt wird, (c) wobei im Fall eines negativen Erkennungsergebnisses, das Sprachsignals einem weiteren Spracherkennungszweig umfassend eine weitere Grammatik (14) zugeführt wird, (d) Analyse des Sprachsignals (10) durch die weitere Grammatik (14), wobei im Fall einer Erkennung der Sprachäußerung ein positives Erkennungsergebnis erzeugt wird und der Erkennungsprozess beendet wird, und im Fall einer Nicht-Erkennung der Sprachäußerung ein negatives Erkennungsergebnis erzeugt wird, (e) wobei im Fall eines negativen Erkennungsergebnisses, mit Schritt (c) fortgefahren wird, solange bis die Grammatiken (26) aller vorhandenen Spracherkennungszweige durchlaufen wurden.
Verfahren nach einem der Ansprüche 1 bis 3, dadurch gekennzeichnet, dass die Regelwerke der Grammatiken (12, 14, 26) keine gemeinsame Schnittmenge aufweisen.
Verfahren nach einem der Ansprüche 1 bis 3, dadurch gekennzeichnet, dass die Regelwerke der Grammatiken (12, 14, 26) keine gemeinsame Schnittmenge aufweisen.
Verfahren nach einem der Ansprüche 1 bis 5, dadurch gekennzeichnet, dass eine erste Grammatik (12) häufig vorkommende Sprachäußerungen, eine zweite Grammatik (14) weniger häufig vorkommende Sprachäußerungen, und jede weitere Grammatik (26) noch weniger häufig vorkommende Sprachäußerungen analysiert.
Verfahren nach einem der Ansprüche 1 bis 6, dadurch gekennzeichnet, dass wenn sowohl das erste als auch das zweite Erkennungsergebnis positiv ist, das von der ersten Grammatik (12) gelieferte Erkennungsergebnis verwendet wird.
Verfahren nach einem der Ansprüche 1 bis 6, dadurch gekennzeichnet, dass wenn sowohl das erste als auch das zweite Erkennungsergebnis positiv ist, dasjenige Erkennungsergebnis verwendet wird, dessen Erkennungssicherheit am größten ist.
Vorrichtung zur natürlichsprachlichen Erkennung einer Sprachäußerung, welche umfasst: Mittel (10) zur Erfassung der Sprachäußerung und zum Umwandeln in ein für eine Spracherkennungseinrichtung zu verarbeitendes Sprachsignal, eine Spracherkennungseinrichtung mit mehreren Spracherkennungszweigen, wobei jeder Spracherkennungszweig eine Grammatik (12; 14; 26) zur Analyse des Sprachsignals (10) aufweist, wobei das Sprachsignal den Spracherkennungszweigen parallel oder sequentiell zugeführt wird, und Mittel (20; 22, 24) zur Steuerung und Auswertung des Erkennungsprozesses, in Abhängigkeit des Erkennungsergebnisses von mindestens einem Spracherkennungszweig.
Computerprogramm mit einem Programmcode, der auf einem Computer ausgeführt ein Verfahren nach einem der Ansprüche 1 bis 8 durchführt.
Computerprogrammprodukt, das einen auf einem Computer ausführbaren Programmcode zur Durchführung des Verfahrens nach einem der Ansprüche 1 bis 8 umfasst.