-
Die
Erfindung betrifft ein Audiosignal-Erkennungssystem sowie ein Verfahren
zur Erkennung von Audiosignalen.
-
Spracherkennungssysteme
sind hinlänglich bekannt
und arbeiten in der Regel mit mundnahen Mikrofonen, so dass ein
relativ guter Signal-/ Rauschabstand für das aufgenommene Sprachsignal
erhalten werden kann. In Verbindung mit diesem aufgenommenen Sprachsignal
lassen sich inhaltlich begrenzte Vokabularstrukturen bzw. Befehlsstrukturen verwirklichen.
Neben dem Vorsehen von Mikrofonen zur Aufnahme des Sprachsignals
im mundnahen Bereich, d.h. unmittelbar vor dem Mund aufgestellte Sprechermikrofone
oder an einem Mikrofonbügel
befestigte Mikrofone, sind ruhige Sprecherräume eine weitere Voraussetzung
für eine
gute Spracherkennung.
-
Diese
Voraussetzungen werden durch die bekannten Systeme ausreichend gewährleistet,
was jedoch nicht in Hinblick auf einen zukünftigen Einsatz der Spracherkennungssysteme
im großen
Umfang gilt. Wenn so z.B. im Heimbereich eine Kaffeemaschine aufgefordert
werden soll, Kaffee bereitzustellen, so muss dieser Befehl von dem
Spracherkennungssystem aus jeder Raumposition heraus erkannt und
bestätigt
werden können.
-
Da
aber die Sprachverständlichkeit
drastisch mit der Entfernung der Sprachquelle vom Mikrofon abnimmt,
werden u.a. mehrere in einem Raum verteilte Mikrofone eingesetzt.
Zur Auswertung der Signale sind die einzelnen Mikrofone an eine
Zentraleinheit angeschlossen, welche dazu dient, aus den Signalen
der einzelnen Mikrofone ein Auswertesignal zu ermitteln. Dabei kommt
es aber durch die sehr unterschiedlichen akustischen Eigenschaften
des Raumes, wie z.B. Reflektionen des Schalls, die Laufzeiten des
Schalls sowie Nachhallzeiten zu Problemen bei der Berechnung des
Signals, da die Berechnung sehr komplex und damit sehr zeitaufwendig
ist. Des weiteren ist es oftmals notwendig, die Systeme an den jeweiligen
Einsatzraum anzupassen. Somit ergeben sich Schwierigkeiten bei der
in sito Spracherkennung.
-
DE 691 01 527 T2 zeigt
eine Spracherkennungseinrichtung mit einer Vielzahl von Mikrofonen und
Sitzdiskriminierungseinrichtung zum Erfassen der Position einer
Audioquelle, um denjenigen Sitz zu bestimmen, in dem die Audioquelle
ihren Ursprung hat. Hierbei werden die Signale aller Mikrofone aufgezeichnet,
und anhand einer Phasenverschiebung zwischen den verschiedenen aufgezeichneten
Signalen wird die Position der Audioquelle ermittelt.
-
Die
US 2002/161577 A1 zeigt ein Verfahren zum Erstellen der Eigenschaften
einer Audiovorrichtung, wobei Audiosignale eines Anwenders aufgezeichnet
und die Position des Anwenders relativ zu der Vorrichtung bestimmt
wird, um die Audiosignale eines Anwenders von einem Hintergrundgeräusch zu unterscheiden.
-
Somit
ist es Aufgabe der Erfindung, ein System zur Erkennung von Audiosignalen
vorzusehen, welches auch unter ungünstigen akustischen Ver hältnissen
in unterschiedlichen Räumen
ein für
eine Spracherkennung benötigtes
Signal zur Verfügung stellen
kann.
-
Diese
Aufgabe wird durch ein Audiosignal-Erkennungssystem nach dem Anspruch
1 sowie durch ein Verfahren zur Erkennung von Audiosignalen gemäß dem Anspruch
6 gelöst.
-
Die
Erfindung beruht auf dem Gedanken, ein Erkennungssystem mit ortsensitiven
Sensoren zu kombinieren.
-
Die
Erfindung beruht ferner auf der Überlegung,
dass der Mensch nach Abschluss eines Sprachbefehls eine Wirkung
bei den angesprochenen Geräten
oder Maschinen in einem Zeitraum von 100 bis 300ms erwartet. Bei
größeren Reaktionszeiten
sinkt die Akzeptanz des Spracherkennungssystems erheblich. Zusätzlich kommt
es dabei zu Befehlswiederholungen bzw. zu Überreaktionen der Benutzer,
welche sich störend
für das
Spracherkennungssystem auswirken. Diese Forderung ist in akustisch
ungünstigen
Räumen,
d.h. in der Regel recht großen
Räumen,
schwierig zu erfüllen,
da die durch den Raum bedingten Laufzeiten, Reflektionen und Nachhallzeit
sowie eine dramatische Angabe des Signal-/Rauschverhältnisses bei einem sich vergrößernden
Sprechabstand zu Mikrofonen sich negativ auswirken.
-
Daher
wird ein System zur Erkennung von Audiosignalen mit mindestens einem
Mikrofon zur Aufnahme von den Audiosignalen und mindestens einer
ortsensitiven Erfassungseinrichtung zum Erfassen der Position der
Audioquelle vorgesehen. Die Signale von den Mikrofonen und den ortsensitiven
Erfassungseinrichtungen werden in einer Zentraleinheit korreliert
und anhand der Korrelation wird dasjenige Signal von einem der Mikrofone
auswählt,
welches zur Erkennung der Audiosignale am besten geeignet ist.
-
Durch
die Erfassung der orts- und laufzeitbezogenen Mikrofonsignale durch
die ortsensitiven Erfassungsvorrichtungen ist eine deutlich schnellere Auswahl
des akustisch günstigsten
Mikrofons möglich.
-
Somit
ist eine Optimierung der Erkennung der Audiosignale möglich und
eine Auswertung der Audiosignale kann innerhalb von 300ms erfolgen,
da anhand der Informationen der ortsensitiven Erfassungseinrichtungen
bekannt ist, an welcher Position sich die Audioquelle befindet.
-
Bei
einer Ausgestaltung der Erfindung erfolgt die Auswahl des entsprechenden
Mikrofons anhand des besten Signal-/ Rauschverhältnisses des durch das Mikrofon
aufgenommene Audiosignal.
-
Gemäß einer
bevorzugten Ausgestaltung sind die Mikrofone und ortsensitiven Erfassungseinrichtungen
räumlich
verteilt angeordnet. Die räumliche
Verteilung der Mikrofone und Erfassungseinrichtungen gewährleistet
sowohl eine optimale Aufnahme des Audiosignals als auch eine optimale
Erfassung der Position der Audioquelle.
-
Gemäß einer
weiteren Ausgestaltung weist das System ferner eine Signal-Additionseinrichtung auf,
welche zum Addieren oder Subtrahieren derjenigen Signale, die durch
die anderen Mikrofone aufgenommen wurden, in Abhängigkeit von deren Position und
der Laufzeit der aufgenommenen Audiosignale. Durch diese ortsabhängige Signaladdition
bzw. Subtraktion kann das Signal-/Rauschverhältnis verbessert werden.
-
Die
Erfindung wird ferner durch ein Verfahren zur Erkennung von Audiosignalen
in einem Raum mit räumlich
verteilten Mikrofonen und ortsensitiven Erfassungseinrichtungen
gelöst.
Die Signale aller Mikrofone und Erfassungseinrichtungen werden erfasst und
miteinander korreliert, um dasjenige Mikrofon auszuwählen, welches
hinsichtlich der Erkennung der Audiosignale das günstigste
Signal aufweist.
-
Weitere
Ausgestaltungen sind Gegenstand der Unteransprüche.
-
Nachfolgend
wird die Erfindung detailliert anhand der Zeichnung beschrieben,
in der:
-
1 eine
schematische Darstellung eines Raumes mit einem erfindungsgemäßen Spracherkennungssystem.
-
1 zeigt
eine schematische Darstellung eines Raumes mit einem erfindungsgemäßen Spracherkennungssystem.
In dem Raum ist eine Sprachquelle 1, eine Vielzahl von
Mikrofonen 2 und ortsensitiven Erfassungsvorrichtungen 3 sowie
eine Zentraleinheit 5 vorgesehen. Die Sprachquelle 1 gibt
dabei ein Audiosignal 10 ab, welches beispielsweise einen
Sprachbefehl darstellen kann. Sämtliche
Mikrofone 2 und Erfassungseinrichtungen 3 sind
mit der Zentraleinheit 5 verbunden.
-
In
dem in 1 gezeigten Beispiel treffen die Audiosignale
der Audioquelle zuerst auf das Mikrofon 2a und die Erfassungseinrichtung 3a rechts
in der Mitte. Mit anderen Worten, es ist also zu erwarten, dass
die von diesem Mikrofon aufgenommenen Audiosignale das beste Signal-/
Rauschverhältnis
aufweisen, d.h. dieses Mikrofon muss so schnell wie möglich von
der Zentraleinheit ausgewählt
werden. Dazu wertet die Zentraleinheit zunächst alle Signale der ortsensitiven
Erfassungseinrichtungen 3 aus, um die Position der Audioquelle 1 in
dem Raum festzustellen. Dieser Vorgang kann sowohl statisch als
auch dynamisch vorgenommen werden. Durch die Auswertung der Position
der Audioquelle 1 kann die Zentraleinheit 5 voraussagen,
welches der im Raum verteilten Mikrofone 2 voraussichtlich
das beste Signal, d.h. das Signal mit dem besten Signal-/Rauschabstand,
bereitstellen kann. Somit werden die von den Mikrofonen aufgenommenen
akustischen Signale sowie die von den ortsensitiven Erfassungseinrichtungen 3 kommende
Signale in der Zentraleinheit 5 korreliert.
-
Die
Signale der anderen Mikrofone 2 können ebenfalls zur Verbesserung
der Spracherkennung genutzt werden, indem sie in Abhängigkeit
von dem Ort des jeweiligen Mikrofons und der Laufzeit der Audiosignale 10 zu
den Signalen des ausgewählten
Mikrofons addiert oder subtrahiert werden, um ein Stützsignal
zu bilden. Durch die vorausschauende Auswahl des günstigsten
Mikrofons kann die geforderte Reaktionszeit der Spracherkennung
von 300ms eingehalten werden.
-
Die
Verbindung zwischen der Zentraleinheit und den jeweiligen Mikrofonen 2 und
den ortsensitiven Erfassungseinrichtungen 3 kann entweder
drahtlos oder leitungsgebunden erfolgen. Ferner muss die Anzahl
der Mikrofone nicht der Anzahl der ortsensitiven Erfassungseinrichtungen 3 entsprechen,
d.h. es können
auch weniger ortsensitive Erfassungseinrichtungen vorhanden sein,
solange gewährleistet
ist, dass die Position der Sprachquelle 1 hinreichend gut erfasst
werden kann.
-
Vorzugsweise
wird die Sprachquelle 1 von einem Benutzer einer Maschine
oder einem Gerät dargestellt,
welches die Maschine oder das Gerät mittels Sprachbefehlen steuern
möchte.
-
Die
ortsensitiven Erfassungseinrichtungen 3 können beispielsweise
Sensoren zur Abstands- oder Bewegungsmessung darstellen, welche
auf der Basis von Ultraschall, Infrarot, Wärme, Induktion, Kapazität, Funkwellen,
Radar oder dergleichen arbeiten können. Denkbar wäre auch,
dass die Personen, deren Sprachbefehle aufgenommen werden sollen,
mit einem kleinen Sender ausgestattet werden, um die Positionsbestimmung
zu erleichtern.
-
Das
erfindungsgemäße System
bzw. die akustische Einrichtung kann auch dazu eingerichtet sein,
Befehlssignale akustisch aufzunehmen und in entsprechende Maschinenbefehle
umzusetzen. Hierzu ist es besonders vorteilhaft, wenn bestimmte
Maschinenbefehle in einer Datenbank zu entsprechenden Begriffen
zugeordnet sind, so dass in einem gewünschten Fall, beispielsweise
zur Einstellung des gesamten Systems oder einzelner Parameter, z.B. Frequenzgang,
Empfindlichkeit, Ein- und Ausschaltfunktion etc. eingestellt werden.
Eine solche Sprachsteuerung erleichtert unter Umständen die
Einstellung des gesamten Systems und ist daher besonders vorteilhaft.