-
Die
Erfindung betrifft die Erkennung des Sprechers anhand seiner Stimme,
insbesondere mit Hilfe einer automatischen Schwellwertbestimmung. Derartige
Verfahren lassen sich grob in Verfahren zur Sprecheridentifikation
und Verfahren zur Sprecherverifikation unterteilen. Das Problem
der Sprecheridentifikation besteht darin, zwischen verschiedenen Sprechern
zu unterscheiden oder einen Sprecher aus einer Menge von erfassten
Sprechern zu identifizieren. Das Problem der Sprecherverifikation
besteht darin, die vorgegebene Identität des Sprechers anhand seiner
Stimme zu überprüfen. In
beiden Fällen ist
in der Regel die einzige Eingangsinformation die Aufzeichnung der
Stimme des Sprechers.
-
In
der Sprechererkennung werden während sogenannter
Enrollments die charakteristischen Merkmale der Stimme einer bestimmten
Person extrahiert und in einem Referenzmodell (Sprechermodell, Voiceprint)
abgelegt. Während
einer Verifikation oder Identifikation werden erneut die Merkmale
des aktuellen Sprechers extrahiert und diese mit dem hinterlegten
Sprechermodell verglichen. Sind sie ähnlich genug, so wird der Sprecher
akzeptiert, sind sie zu unterschiedlich, wird er zurückgewiesen.
-
Da
nicht jede Messung einer Stimmprobe exakt den gleichen Wert erbringen
kann, und sich einige Merkmale auch verändern können, muss dem System zur Sprechererkennung
eine gewisse Toleranzschwelle eingeräumt werden. Man spricht hier auch
von skalierbaren Schwellenwerten. Die Erkennung einer Person muss
auch trotz Heiserkeit oder störenden
Hintergrundgeräuschen
im Auto hinreichend sicher erfolgen können. Insofern sollte auch bei
einer nicht hundertprozentigen Übereinstimmung der
Merkmale eine Erkennung möglich
sein. Im Allgemeinen stellt die Festlegung der Toleranzschwelle hohe
Anforderungen an das System. Ist sie zu niedrig angesetzt, werden
Personen trotz Berechtigung abgelehnt. Ist sie zu hoch angesetzt,
ist keine Garantie für
eine ausreichende Sicherheit mehr vorhanden.
-
In
diesem Zusammenhang bezeichnet die Falschakzeptanzrate (FAR) eine
Zulassungsrate Unberechtigter und die Falschrückweisungsrate (FRR) ein Abweisungsrate
Berechtigter. Beide Raten hängen
gegenläufig
vom Entscheidungsschwellwert ab: Eine höher gewählte Schwelle verringert zwar
die FAR, erhöht
zugleich aber die FRR und umgekehrt.
-
Ein
biometrisches System hat vier Grundkomponenten:
- (1)
Merkmalsaufnahme (Sensor module): Dieses Modul nimmt die biometrischen
Daten eines Benutzers auf (z. B. optischer Scanner, Videokamera,
...).
- (2) Merkmalsextraktion (Feature extraction module): Hier werden
die für
die Klassifikation benötigten
Merkmalvektoren generiert (z. B. Orientierung der Rillen und Position
markanter Punkte im Fingerabdruck).
- (3) Vergleich (Matching module): Die Merkmalvektoren werden
mit den Referenztemplates verglichen und ein Ähnlichkeitsgrad (matching score) wird
ermittelt.
- (4) Entscheidung (Decision making module): Auf Grund des Ähnlichkeitsgrades
wird die Benutzeridentität
festgestellt bzw. die vom Benutzer vorgegebene Identität akzeptiert
oder abgelehnt.
-
In
einem zwei-Klassen-Problem werden die FAR und FRR berechnet, indem
alle matching scores berechnet und durch einen Schwellenwert voneinander
abgegrenzt werden. FAR und FRR sind abhängig von der eingestellten
Schwelle T und damit eine Funktion von T. Wenn man den Schwellenwert
verkleinert, um die Toleranz des Gesamtsystems zu erhöhen, dann
nimmt die FRR ab und entsprechend die FAR zu.
-
Eine
grundlegende Aufgabe bei der Sprechererkennung ist es daher, diesen
Schwellwert geeignet zu wählen.
In der Praxis ist der optimale Schwellwert jedoch nicht nur Personen-, sondern
zudem szenarioabhängig.
Der optimale Schwellwert ist also beispielsweise davon abhängig, ob
sich eine Person gerade in einem Büro oder in einem Auto befindet.
-
Es
ist daher die Aufgabe der vorliegenden Erfindung, ein Verfahren
zur Sprechererkennung anzugeben, welches einen an die jeweilige
Person oder das jeweilige Szenario angepassten Schwellwert bereitstellt.
-
Diese
Aufgabe wird durch ein Verfahren und eine Vorrichtung mit den Merkmalen
der Ansprüche
1 und 8 gelöst.
Vorteilhafte Weiterbildungen der Erfindung sind in den abhängigen Ansprüchen angegeben.
-
Das
erfindungsgemäße Verfahren
zur Sprechererkennung umfasst die folgenden Schritte:
- – ein
Sprachsignal eines Sprechers wird empfangen,
- – aus
dem Sprachsignal werden sprecherspezifische Merkmale extrahiert,
- – zumindest
ein Ähnlichkeitsmaß für die Übereinstimmung
der extrahierten Merkmale und Referenzmerkmalen wird ermittelt,
- – durch
Vergleich des Ähnlichkeitsmaßes mit
einem zugeordneten Schwellwert wird der Sprecher klassifiziert,
dadurch
gekennzeichnet, dass
- – aus
dem Sprachsignal Anteile extrahiert werden, in denen der Sprecher
nicht spricht,
- – eine
statistische Verteilung der extrahierten Anteile des Sprachsignals
ermittelt wird,
- – mit
Hilfe der ermittelten statistischen Verteilung der zugeordnete Schwellwert
zur Klassifikation des Sprechers ermittelt wird.
-
Die
erfindungsgemäße Vorrichtung
zur Sprechererkennung weist auf:
- – eine Empfangseinrichtung,
welche Sprachdaten empfängt,
die eine gesprochene Äußerung eines Sprechers
repräsentieren;
- – eine
Sprechererkennungseinrichtung, welche aus dem Sprachsignal sprecherspezifische
Merkmale extrahiert, zumindest ein Ähnlichkeitsmaß für die Übereinstimmung
der extrahierten Merkmale und Referenzmerkmalen ermittelt und
durch
Vergleich des Ähnlichkeitsmaßes mit
einem zugeordneten Schwellwert den Sprecher klassifiziert,
dadurch
gekennzeichnet, dass
eine Schwellwertermittlungseinrichtung
vorgesehen ist, welche aus dem Sprachsignal Anteile extrahiert werden,
in denen der Sprecher nicht spricht, eine statistische Verteilung
der extrahierten Anteile des Sprachsignals ermittelt, und
mit
Hilfe der ermittelten statistischen Verteilung den zugeordneten
Schwellwert zur Klassifikation des Sprechers ermittelt.
-
Die
Erfindung wird nachfolgend mit Ausführungsbeispielen anhand der
Figuren näher
erläutert. Dabei
zeigen:
-
1 in
einer schematischen Darstellung eine prinzipielle Darstellung der
Sprecheridentifikation,
-
2 in
einer schematischen Darstellung eine prinzipielle Darstellung der
Sprecherverifikation,
-
3a,
b examplarische Wahrscheinlichkeitsdichteverteilungen einer Originalsprecher-
und einer Fälscherklasse
in jeweils unterschiedlichen Szenarien.
-
Bei
Systemen zur Sprechererkennung wird nach statistischen Prinzipien
geprüft,
ob der gesprochene Satz von einem der vom Sprechererkennungssystem
erfassten Sprecher gesprochen wurde. Dabei gibt es grundsätzlich zwei
Arten von Sprechererkennungssystemen, die textabhängigen und
die textunabhängigen
Systeme. Die Textunabhängigkeit des
Systems wird beispielsweise durch eine erweiterte Trainingsphase
erreicht, in der der Sprecher ein vielfältiges Material aufzeichnen
muss und die Wahrscheinlichkeitsverteilungen der Sprachsignalparameter
aus dem gesamten Sprachmaterial bestimmt werden. Das Trainie ren
eines textabhängigen
Systems ist eine einfachere Aufgabe, weil das Sprachmaterial, das
vom Sprecher während
der Nutzungsphase gesprochen wird, auf einige Schlüsselworte oder
bestimmte Sätze
begrenzt ist. Die Vorbereitungsphase wird so lange durchgeführt, bis
das System sicher die Stimme des Sprechers erkennt.
-
Sprecheridentifikation
-
Das
Prinzip der Sprecheridentifikation ist in 1 dargestellt.
Sie wird als ein Problem der Multiplen Detektion behandelt. Die
zu unterscheidenden Klassen, eine für jeden Sprecher, das vom System erkannt
werden soll, werden als spi i = 1..M bezeichnet,
mit M-Anzahl der von dem Sprechererkennungssystem erfassten Sprecher.
Die Sprechererkennung basiert auf den aufgezeichneten Sprachsignalen
der jeweiligen Sprecher. Das Sprachsignal wird segmentiert in die
Signalrahmen x = [x(1)..x(K)] (z. B. für einen Signalrahmen von 20
ms Länge
und eine Abtastfrequenz von 8 kHz beträgt K = 160). Die Segmentierung
liefert die Sprachsignalrahmen x(1)..x(N), wobei N von der Gesamtlänge des
von dem Sprecher gesprochenen Satzes oder Schlüsselwortes abhängt. Die
Entscheidung über
den Sprecher wird aus den Wahrscheinlichkeiten oder Wahrscheinlichkeitsdichten
(zusammen als Wahrscheinlichkeitsscores bezeichnet) getroffen, dass
die Vektoren der Abtastwerte x(l) l = 1..N der Klasse spi zugehören.
Das statistisch optimale Entscheidungsschema wählt die Klasse spi mit
dem höchsten
Wahrscheinlichkeitswert bei gegebenen x(l), l = 1..N. D. h. der
Vektor x(l) wird der Klasse spj zugeordnet,
für die: p(x(1)...x(N)|spj) > p(x(1)...x(N)|spi) für
alle j ≠ i
-
Zusätzlich wird
der Wahrscheinlichkeitsscore für
die ermittelte Klasse mit einer Schwelle verglichen, um eine Identifikation
eines dem System nicht bekannten Sprechers zu vermeiden. Die Identität des Sprechers
wird also anhand seiner Stimme bestätigt, wenn: p(x(1)..x(N)|spj) > schwellewobei
spj der vorgegebenen Sprecheridentität entspricht.
-
Sprecherverifikation
-
Das
Prinzip der Sprecherverifikation ist in 2 dargestellt.
Das zugrundeliegende Problem besteht darin, die vorgegebene Identität des Sprechers
anhand seiner Stimme zu überprüfen.
-
Der
Prozess der Sprecherverifikation verläuft auf ähnliche Weise wie der bei der
Sprecheridentifikation, d. h. es wird ebenfalls die Segmentierung
des gesprochenen Satzes durchgeführt.
Danach wird jedoch keine Klassifizierung der Stimme gemacht, sondern
für die
vorgegebene Sprecheridentität
ein Wahrscheinlichkeitsscore berechnet und mit einer Schwelle verglichen.
Die Identität
des Sprechers wird also anhand seiner Stimme bestätigt, wenn: p(x(1)..x(N)|spj) > schwellewobei
spj der vorgegebenen Sprecheridentität entspricht.
Die Schwelle muss entsprechend hoch gesetzt werden, um die Situation
zu vermeiden, in der ein Sprecher mit einer anderer Identität als die
vorgegebene zugelassen/autorisiert wird.
-
Trainingsphase eines Sprechererkennungssystems
-
Die
Wahrscheinlichkeitsdichteverteilungen für die Sprecherklassen werden üblicherweise
aus dem Trainingsmaterial geschätzt.
Für die
textabhängige
Sprechererkennung (Sprecheridentifikation/Sprecherverifikation)
wird ein bestimmter Satz oder Schlüsselwort während der Trainingphase so lange
wiederholt bis die Sprechererkennung sicher funktioniert.
-
Für die textunabhängige Sprecherverifikation
muss ein phonetisch ausgewogenes Sprachmaterial aufgenommen werden.
Auch in diesem Fall muss die Trainingphase solange wiederholt werden bis
die Sprecheridentifikation/verifikation sicher funktioniert.
-
Das
während
der Trainingphase aufgenommene Material wird zum Training mehrmals
jeweils phasenverschoben verwendet, um das Sprechererkennungssystem
unabhängig
von der Anfangsphase der aufgezeichneten Stimmen zu machen. Die
zum Training verwendeten Daten wird als Trainingssatz
bezeichnet,
wobei sp
i den Sprecher symbolisiert.
-
Zur
Schätzung
der Wahrscheinlichkeitsdichten werden beispielsweise in einem Histogramm
die Häufigkeiten
der Wahrscheinlichkeitsscores unterschiedlicher Sprachproben aufgetragen,
wobei der Ursprung der Sprachproben (Originalsprecher/Fälscher)
im Vorhinein bekannt ist.
-
Die
Erfindung macht sich nun zunutze, dass die Merkmale, die aus Sprachaufnahmen
von Sprechern extrahiert werden, sich in zwei Klassen einteilen
lassen: In der einen Klasse sind alle Daten, die nicht von dem Sprecher
stammen, von dem das aktuelle Sprechermodell stammt. Diese Klasse,
auch Fälscherklasse
genannt, enthält
Hintergrundgeräusche
und Lärm,
aber auch die Merkmale fremder Personen. In der anderen Klasse sind
alle Daten, die von dem Sprecher stammen, dem das Sprechermodell zugeordnet
ist (Originalsprecher).
-
Würde man
beide Verteilungen kennen, könnte
man den Schwellwert optimal einstellen. Da man jedoch nicht weiß, ob und
wann der Originalsprecher gesprochen hat, lässt sich dessen Verteilung
nicht ermitteln.
-
In
den 3a und 3b sind
diese beiden Verteilungen (jeweils: links: Fälscher, rechts: Originalsprecher)
für zwei
verschiedene Szenarien zu sehen. Der optimale Schwellwert liegt
jeweils im Überlappungsbereich
der beiden Verteilungen. Wie man sehen kann, sind die Verteilungen
in beiden Szenario jeweils unterschiedlich. Daher ist für jedes
der beiden Szenerien ein anderer Schwellwert erforderlich.
-
Gemäß der Erfindung
wird jedoch die Fälscherverteilung
mit den Hintergrundgeräuschen
geschätzt,
um mit deren Hilfe einen an das aktuelle Szenario angepassten Schwellwert
zu ermitteln.
-
Eine
erste Möglichkeit
hierzu ist die Verwendung einer Voice-Activity Detection (VAD), um Sprache
von Nicht-Sprache, also von sonstigen Geräuschen zu separieren. Immer
wenn sich die VAD für Nicht-Sprache
entscheidet, kann man den zugehörigen
Signalabschnitt zur Schätzung
der Verteilung der Fälscherklasse
nutzen.
-
Ein
Voice Activity Detector (VAD) ist eine Vorrichtung, die es erlaubt,
zwischen Sprache inklusive Hintergrundgeräuschen (”Sprache”) und dem Hintergrundgeräusch alleine
(”Nicht-Sprache”) zu unterscheiden.
Der Eingang eines VAD kann beispielsweise ein durch ein Mikrofon
aufgenommenes Sprachsignal eines Kommunikationsendgerätes sein.
Während
der Nutzer spricht, setzt sich das Signal aus seiner Stimme und
dem Hintergrundlärm (beispielsweise
Straßenlärm) zusammen.
In den Sprechpausen dagegen besteht das Signal alleine aus dem Hintergrundlärm. Der
Ausgang eines Voice Activity Detectors fügt dem Eingangssignal nun jeweils
die Information hinzu, ob es Sprache enthält, oder nicht.
-
VADs
werden entweder auf Basis von Heuristiken eingestellt oder aber
im Lauf einer Trainingsphase trainiert. Als Eingangssignal dient
jeweils das in geeigneter Weise vorverarbeitete Audiosignal. In einer
Eigenschaftenextraktion erhält
man dabei je nach Anzahl der verwendeten Eigenschaften unterschiedlich
große
Eigenschaftenvektoren.
-
Die
einfachste, aber immer noch weit verbreitete Heuristik ist, ein
Signal anhand einer bestimmten, festgelegten Energieschwelle zu
beurteilen. Überschreitet
die Signalenergie die Schwelle, so wird ”Sprache” angenommen, ansonsten ”Nicht-Sprache”.
-
Ein
anderes Beispiel ist die Bestimmung der Nulldurchgangsrate der Autokorrelationsfunktion
des Sprachsignals und ein entsprechender Schwellwert zur Unterscheidung,
ob ein Sprachsignal vorliegt oder nicht.
-
Daneben
gibt es komplexere Verfahren, um anhand einer mehr oder weniger
großen
Anzahl von Schwellen auf Basis verschiedenster Eigenschaften die
gewünschte
Unterscheidung zu treffen.
-
Zu
VADs, die im Laufe einer Trainingsphase trainiert werden, gehören beispielsweise
statistische VADs oder auch neuronale Netze. Diese werden dazu mit
Daten trainiert, bei denen bekannt ist, wann Sprache und wann ein
Geräusch
auftritt. Es handelt sich also um Daten, die vorab zum Beispiel
händisch gelabelt
sind.
-
Eine
andere Möglichkeit
zur Ermittlung der Hintergrundgeräusche ist die Verwendung eines
Minimum- Statistik Ansatzes. Selbst wenn der Originalsprecher spricht,
werden im Millisekunden Bereich Anteile enthalten sein, in denen
nicht seine stimme, sondern die restlichen Geräusche zu hören sein werden. Dies ist beispielsweise
zwischen einzelnen Wörtern
oder am Ende von Sätzen
der Fall. Diese kurzen Bereiche sind dadurch charakterisiert, dass
ihre Merkmale sehr unähnlich
zum Sprechermodell sind. Man sammelt also innerhalb eines gewissen
Zeitfensters alle Merkmale, die innerhalb dieses Fensters die schlechteste Übereinstimmung
mit dem Sprechermodell aufweisen und versucht damit, die Fälscherverteilung
zu ermitteln.
-
Nachdem
die Fälscherverteilung
mit zumindest einer dieser Möglichkeiten
geschätzt
wurde, wird der Schwellwert anhand der Parameter der Fälscherverteilung
(bspw. Mittelwert, Standardabweichung) bestimmt. Ein möglicher
Ansatz wäre
beispielsweise: Schwellwert = Mittelwert – Standardabweichung.
-
Folglich
zeichnet sich die Erfindung dadurch aus, dass eine Fälscherverteilung
mit Hilfe eine Voice-Activity-Detection Entscheidung oder mit Hilfe einer
Minimum Statistik geschätzt
wird. Auf Grundlage dieser Schätzung
erfolgt dann die Ermittlung des Schwellwertes.
-
Die
Erfindung weist somit die Vorteile auf, dass eine automatische Anpassung
des Schwellwertes an verschiedene Szenarien erfolgt und zu besseren
Sprechererkennungsergebnissen in verschiedenen Szenarien führt. Das
erfindungsgemäße Verfahren
erfordert zudem wesentlich weniger Rechenaufwand zur Schwellwertermittlung,
als klassische Schwellwert-Normalisierungsverfahren. Außerdem werden
durch die Erfindung neue Anwendungsmöglichkeiten für die Sprechererkennung
eröffnet,
beispielsweise eine fortwährende
Sprecherauthentifizierung in einem mobilen Gerät.
-
Die
Erfindung kann für
Anwendungen der Zutrittskontrolle, wie z. B. die mit der Stimme
gesteuerte Tür,
oder als Verifikation, beispielsweise für Bankzugangssysteme genutzt
werden. Die Prozedur kann als ein Programmmodul auf einem Prozessor implementiert
werden, der die Aufgabe der Sprechererkennung im System realisiert.
