DE19704009A1 - Spracherkennungssystem - Google Patents

Description

Die Erfindung betrifft ein Spracherkennungssystem zur Umsetzung einge­ speister elektronischer Sprachsignale in zur elektronischen Datenverarbei­ tung geeignete Daten.

In sogenannten Spracherkennungssystemen (beispielsweise bekannt unter der Bezeichnung "Voice-Type" der Firma IBM) werden mit Hilfe von Mi­ krofonen aufgenommene Schallwellen der Sprache einer diktierenden Person in elektrische Stromänderungen (Sprechwechselströme) umgewandelt. Die dabei entstehenden teilweise einander überlagerten Frequenzfolgen, charak­ teristischen Verlaufsformen und auch weiteren Kennzeichen dieser Sprech­ ströme werden mit aus einem Speicher verfügbaren ähnlichen Norm- oder Bezugssignalen und bei Übereinstimmung die diesen Normsignalen zuge­ ordneten Buchstaben, Silben oder Worte erkannt, um dann aufgezeichnet/gespeichert und auf einem Bildschirm oder durch ein Schreibgerät sichtbar gemacht zu werden.

Zur Optimierung der Spracherkennung enthält ein Spracherkennungssystem Zwischenspeicher- und Vergleichsmittel, um der Sprache eines Diktierenden charakteristische elektrische Signalformen von Worten oder Silben mit den gespeicherten Normsignalen bis zur vermeintlichen Erkennung (Bestätigung) zu vergleichen und als der individuellen Diktatsprache temporär angepaßte Normsignale zu speichern, die im Laufe zahlreicher Benutzungen immer besser der Benutzersprache angenähert werden. Auf diese Weise kann das Diktatverarbeitungsgerät nach einer Korrektur- und Lernzeit die Sprechwei­ se der diktierenden Person zunehmend besser erkennen, bis schließlich die Diktatverarbeitung fehlerlos ausgeführt wird. Dieser Lern- und Optimie­ rungsvorgang wird vor allem dadurch unterstützt, daß in dem von dem Spracherkennungssystem während der jeweiligen Benutzung aufgezeichne­ ten und sichtbar gemachten Text enthaltene Fehler von der bedienenden bzw. diktierenden Person mittels einer Schreibtastatur berichtigt und diese Korrekturergebnisse in die Zwischenspeichermittel eingegeben werden.

Eine zusätzliche Eigenschaft der Zwischenspeichermittel besteht darin, daß sie aufgrund ihrer Empfindlichkeit in der Lage sind, in den angepaßten Normsignalen auch für die betreffende Diktatsprache nicht unbedingt cha­ rakteristische, beispielsweise aus einem unbeabsichtigten Heben und Senken der Stimme der diktierenden Person resultierende Signalverlaufsformen zu berücksichtigen. Zur Vermeidung derartiger Fehl-Aufzeichnungen, welche die Lern- und Optimierungsphase blockieren oder verlängern, kann ein Sprach- bzw. Artikulationstraining der diktierenden Person notwendig wer­ den, um die Sprechweise in Stimmstärke und Geschwindigkeit weitgehend gleich zu halten. Erfahrungsgemäß ist ein langer Zeitraum bzw. eine relativ große Anzahl von Benutzungen und Benutzungsübungen erforderlich, bis das Spracherkennungssystem die Sprache der diktierenden Person wortge­ treu wiedergibt. Dieser Zeitraum ließ sich bisher in erster Linie durch häufi­ ge Nutzung und Korrektureingaben verringern und in zweiter Linie dadurch, daß die diktierende Person sich durch deutliches Artikulieren und stakkato­ artiges Sprechen an das Spracherkennungssystem anpaßt.

Weil die hierfür notwendige Zeit einer diktierenden Person von meistens hoher Fachqualifikation erfahrungsgemäß nicht zur Verfügung steht, hat sich die Erfindung zur Aufgabe gemacht, ein Spracherkennungssystem sowie ein Verfahren zum Betrieb eines Spracherkennungssystems bereitzustellen, um sowohl die Lernphase des Spracherkennungssystems wesentlich abzukür­ zen, auf nicht gleichbleibende Sprechweise der diktierenden Person zurück­ gehende Fehlanpassungen und Fehlaufzeichnungen auszuschließen und um darüber hinaus einen rentablen, erheblich erweiterten und flexibleren Einsatz des Spracherkennungssystems zu erreichen.

Erfindungsgemäß wird diese Aufgabe durch ein Spracherkennungssystem mit den Merkmalen des Patentanspruches 1 gelöst. Durch das Vorsehen ei­ ner dem Spracherkennungssystem vorgeschalteten Pegelangleichvorrichtung wird erreicht, daß die dem Spracherkennungssystem zugeleiteten elektroni­ schen Sprachsignale sich innerhalb einer vorbestimmten Bandbreite befin­ den, d. h. daß keine Pegelspitzen (Peaks) über diese vorbestimmte Bandbrei­ te hinausragen, und somit eine Angleichung der Sprachsignale aneinander stattfindet. Dies hat zur Folge, daß dem Spracherkennungssystem ein saube­ res gleichmäßiges Sprachsignal zugeleitet wird, so daß sich aufgrund dieser von der ersten Benutzung erzielten Vergleichmäßigung die Häufigkeit von Korrekturen und somit die Dauer der Lernphase des Spracherkennungssy­ stemes merklich verringert, das von Anfang an gleichmäßige Sprachsignale gewöhnt ist. Durch die erfindungsgemäße, Pegelschwankungen der Sprach­ signale ausgleichende Pegelangleichvorrichtung ist das Spracherkennungs­ system in der Lage, auf einem Tonträger aufgezeichnete Diktate zu verarbei­ ten.

In vorteilhafter Ausgestaltung der Erfindung ist die Pegelangleichvorrichtung an einen Mikrofoneingang des Spracherkennungssystems anschließbar. Da­ durch wird eine flexiblere und individuelle Nutzung der Pegelangleichvor­ richtung gewährleistet, da bereits vorhandene Spracherkennungssysteme nachträglich mit einer vorgeschalteten Pegelangleichvorrichtung versehen werden können.

In weiterer Ausgestaltung der Erfindung ist die Pegelangleichvorrichtung wahlweise an ein Mikrofon oder ein Tonträger-Abspielgerät anschließbar. Der Eingang der Pegelangleichvorrichtung kann somit im Direktbetrieb durch ein Mikrofon belegt werden, oder aber auch durch ein Tonträger-Abspielgerät, wodurch die Möglichkeit eröffnet wird, daß die diktierende Person nicht im Direktdiktat vor dem Spracherkennungssystem sitzt, son­ dern unter Zuhilfenahme eines handelsüblichen Diktiergeräts mit einem be­ liebigen Tonträger, insbesondere Tonband oder Kassette, das Diktat auf­ nimmt. Der Tonträger mit dem registrierten Text kann dann zu Hause oder in einem Schreibbüro über das an den Eingang der Pegelangleichvorrichtung angeschlossene Tonträger-Abspielgerät abgespielt und in das Spracherken­ nungssystem eingespeist werden. Somit werden die von dem Abspielgerät kommenden Sprachströme (anstatt derjenigen des Mikrofons wie im Direkt­ betrieb) dem Spracherkennungssystem zugeführt. Dabei werden vorteilhaft mit Hilfe der erfindungsgemäßen Pegelangleichvorrichtung die meisten Sprachschwankungen und Fehl-Erkennungen verursachenden, außerhalb einer bestimmbaren Pegelbandbreite auftretenden Sprachsignalspitzen aus­ gefiltert.

In weiterer Ausgestaltung umfaßt die Pegelangleichvorrichtung eine Vorstu­ fe zum Abschwächen, Aufbereiten und Säubern des in die Pegelangleich­ vorrichtung eingespeisten elektronischen Sprachsignals, eine Schaltung zur Verstärkungsregelung und eine Endverstärkerstufe.

In besonders vorteilhafter Ausgestaltung umfaßt die Vorstufe eine Schaltung zur Abschwächung des Sprachsignals wegen Übersteuerfestigkeit und eine Schaltung zur Konstanthaltung des Sprachsignals mit Peak-Unterdrückung.

In weiterer Ausgestaltung der Erfindung weist das Spracherkennungssystem eine Schaltung zur Klirrfaktor-Einstellung auf.

Zur weiteren Lösung der der Erfindung zugrunde liegenden Aufgabe wird ein Verfahren zur Abkürzung der Lern-/Optimierungsphase eines Spracher­ kennungssystems mit den Merkmalen des Anspruches 8 vorgeschlagen.

Die Erfindung ist anhand von Ausführungsbeispielen in der Zeichnung dar­ gestellt und wird im folgenden unter Bezugnahme auf die Zeichnung näher erläutert.

Fig. 1 zeigt einen schematischen Anschlußplan eines erfindungsgemä­ ßen Spracherkennungssystems mit einer vorgeschalteten Pegel­ angleichvorrichtung und einem an den Eingang der Pegel­ angleichvorrichtung angeschlossenen Diktiergerät.

Fig. 2 zeigt ein Blockschaltbild einer erfindungsgemäßen Pegelan­ gleichvorrichtung.

Fig. 1 zeigt ein erfindungsgemäßes Spracherkennungssystem. Das Spracher­ kennungssystem umfaßt einen PC 1 mit installierter Spracherkennungs- Software (beispielsweise IBM Voice-Type) und eine Pegelangleichvorrich­ tung 2, die an einen nicht näher dargestellten Mikrofoneingang des PC 1 an­ geschlossen ist. An einen Eingang der Pegelangleichvorrichtung 2 wiederum ist als Tonträger-Abspielgerät ein Diktiergerät 3 angeschlossen. Der An­ schluß des Diktiergerätes 3 an die Pegelangleichvorrichtung 2 erfolgt bei­ spielsweise über den Kopfhörer-Ausgang des Diktiergeräts 3.

Bei dem in der Fig. 1 dargestellten Ausführungsbeispiel der Erfindung kann die diktierende Person ihr Diktat mittels eines handelsüblichen Diktiergerä­ tes auf einen entsprechenden Tonträger aufnehmen. Dies kann im eigenen Büro, zu Hause oder unterwegs erfolgen. Der Tonträger wird dann zu einem späteren Zeitpunkt in das Diktiergerät 3 eingelegt und abgespielt, wobei die von dem Tonträger stammenden Sprachströme der Pegelangleichvorrichtung 2 zugeführt werden. Die Pegelangleichvorrichtung 2 ist so ausgelegt, daß über eine an die Spracherkennungs-Software angepaßte Bandbreite hinaus­ reichende Sprachsignalspitzen (Peaks) durch Abschwächung und Unter­ drückung mit anschließender Verstärkung in diese vorbestimmte Bandbreite eingepaßt werden. In den PC 1 mit installierter Spracherkennungs-Software wird somit über dessen Mikrofon-Eingang ein sauberes gleichmäßiges Sprachsignal eingespeist.

Aufgrund dieser von der ersten Benutzung des erfindungsgemäßen Sprach­ erkennungssystems an erzielten Vergleichmäßigung der eingespeisten Sprachsignale verringert sich die Häufigkeit von Korrekturen und somit die Dauer der Lernphase des Spracherkennungssystems merklich.

Die Verbindung zwischen dem Diktiergerät 3 und dem erfindungsgemäßen Spracherkennungssystems erfolgt mittels eines Spezialkabels, wobei es sich um ein insbesondere abgeschirmtes Kabel handelt. Das Kabel wird an die Ausgangsbuchse des Diktiergeräts 3 angeschlossen, die üblicherweise zum Anschluß eines Kopfhörers dient, und zu der Pegelangleichvorrichtung 2 weitergeführt, die eine elektronische Schaltung zur Anpassung von Pegel­ schwankungen des Sprachsignals enthält. Ein gleiches oder gegebenenfalls angepaßtes Spezialkabel verbindet die Pegelangleichvorrichtung 2 mit dem PC 1.

Die diktierende Person benötigt kein Sprachtraining, sie muß jedoch nach den Konventionen des Spracherkennungssystems auf den Tonträger diktie­ ren. Wenn der Wortschatz (beispielsweise häufig benutzte Fach- oder Fremdworte) der diktierenden Person der Sekretärin über ein Bildschirmver­ zeichnis zugängig ist, kann diese von sich aus in dem von dem Spracherken­ nungssystem sichtbar dargestellten Text durchweg sämtliche notwendige Korrekturen vornehmen. Damit wird der hauptsächliche Lerneffekt im Spracherkennungssystem verbessert, nachdem es sich an die aufgrund der Pegelangleichvorrichtung 2 gleichbleibende, aus dem Diktiergerät 3 kom­ mende Sprache der diktierenden Person angepaßt hat. Die Lernphase des erfindungsgemäßen Spracherkennungssystems findet folglich allein unter der Aufsicht und Tätigkeit der Sekretärin statt. Sobald die Lernphase beendet ist, hat die Sekretärin nach Abspielen des Tonträger-Abspielgerätes den dik­ tierten Text sofort vollständig vor sich, für den sie praktisch nur noch For­ matierung bzw. Layout durchführen muß.

Nachdem aufgrund dieser beschleunigten Arbeitserledigung noch Arbeitska­ pazität zur Verfügung steht, kann die Sekretärin von beispielsweise drei ver­ schiedenen diktierenden Personen besprochene Tonträger über dasselbe Spracherkennungssystem erledigen. Für diesen Fall werden die in dem Spracherkennungssystem zusätzlich vorhandenen Zwischenspeichermittel um- oder eingeschaltet, um den oben beschriebenen erlernten Umgang an­ statt mit einer diktierenden Person nunmehr mit unterschiedlichen Sprachen bzw. Sprechweisen von drei oder mehr Personen zu praktizieren.

Erfindungsgemäß werden folglich die Trainings-, Lern- und Korrekturzeiten eines Spracherkennungssystems erheblich verkürzt. Des weiteren werden auch die Zeiten, die sonst jede der jeweils diktierenden Personen aufzubrin­ gen hat, auf die Sekretärin umverteilt.

Am Arbeitsplatz des Anwaltes, Journalisten oder Arztes ist ein Spracher­ kennungssystem nicht mehr erforderlich. Der Sekretariatscomputer kann den Fremd- und Fachsprachwortschatz mehrerer Fachpersonen gespeichert ent­ halten, so daß nur noch ein Spracherkennungssystem für mehrere Fachper­ sonen (Anwälte, Arzte, Journalisten und dergleichen) erforderlich ist.

Fig. 2 zeigt ein Blockschaltbild einer erfindungsgemäßen Pegelangleichvor­ richtung 2. Bei NF-IN wird der Pegelangleichvorrichtung 2 ein elektroni­ sches Sprachsignal, beispielsweise von einem Diktiergerät 3, zugeführt. Das Zuführen des elektronischen Sprachsignals erfolgt vorteilhafterweise mittels eines abgeschirmten Kabels und Cinch-Stecker.

Zur Regelung der Amplitude des eingespeisten Sprachsignals und somit zur Anpassung des Pegels an eine vorgegebene Bandbreite erfolgt zunächst eine Abschwächung 4 des Sprachsignals wegen Übersteuerfestigkeit. Dabei wird das Signal unter gleichzeitiger Ausfilterung der Hintergrundgeräusche ge­ schwächt, indem die Amplituden des Signals zusammengeschoben werden, so daß die nächste Stufe der Schaltung der Pegelangleichvorrichtung ein de­ finiertes Signal erhält. Die Abschwächung 4 des Sprachsignals wird vorteil­ hafterweise durch eine einen Operationsverstärker enthaltende Schaltung realisiert, beispielsweise mittels des OP NE 5532.

Als nächste Stufe ist eine Schaltung 5 zur Konstanthaltung des NF-Signals mit Peak-Unterdrückung vorgesehen. In dieser Schaltung wird das zuvor abgeschwächte Sprachsignal gesäubert und aufbereitet. Des weiteren ist eine Verstärkungsregelung 6 vorgesehen, die einen nicht dargestellten zentralen Chip mit Komparatorfunktion umfassen kann, der im Hinblick auf die vor­ gegebene Bandbreite, an die das Sprachsignal angepaßt werden soll, ent­ scheidet, ob eine Verstärkung oder eine weitere Dämpfung des Sprachsi­ gnals vorgenommen werden muß.

Vorteilhafterweise kann die erfindungsgemäße Pegelangleichvorrichtung wie in der Fig. 2 dargestellt eine Einstellung 7 des Klirrfaktors umfassen, wo­ durch die Obertöne des Sprachsignals stabilisiert werden.

Abschließend wird das Sprachsignal einer End-Verstärkerstufe 8 zugeführt, die an das Zielgerät, d. h. den PC 1 mit installierter Spracherkennungs-Software, angepaßt ist. Die End-Verstärkerstufe 8 ist insbesondere dann notwendig, wenn der zentrale Chip der Verstärkungsregelung 6 keine aus­ reichende Stromstärke liefert. Bei NF-OUT wird das angeglichene Sprachsi­ gnal an das Spracherkennungssystem ausgegeben.

Natürlich kann das erfindungsgemäße Spracherkennungssystem mit vorge­ schalteter Pegelangleichvorrichtung auch im Direktbetrieb mit einem an den Eingang der Pegelangleichvorrichtung angeschlossenen Mikrofon betrieben werden.

Claims (9)

1. Spracherkennungssystem zur Umsetzung eingespeister elektronischer Sprachsignale in zur elektronischen Datenverarbeitung geeignete Daten, ge­ kennzeichnet durch eine dem Spracherkennungssystem vorgeschaltete Pe­ gelangleichvorrichtung (2) zum Anpassen der Pegel der elektronischen Sprachsignale an eine vorbestimmte Bandbreite.

2. Spracherkennungssystem nach Anspruch 1, dadurch gekennzeichnet, daß die Pegelangleichvorrichtung (2) an einen Mikrofoneingang des Spra­ cherkennungssystems anschließbar ist.

3. Spracherkennungssystem nach Anspruch 1 oder 2, dadurch gekenn­ zeichnet, daß an die Pegelangleichvorrichtung (2) wahlweise ein Mikrofon oder ein Tonträger-Abspielgerät (3) anschließbar ist.

4. Spracherkennungssystem nach einem der Ansprüche 1 bis 3, dadurch gekennzeichnet, daß die Pegelangleichvorrichtung (2) eine Vorstufe (4, 5) zum Abschwächen, Aufbereiten und Säubern des in die Pegelangleichvor­ richtung (2) eingespeisten elektronischen Sprachsignals, eine Schaltung (6) zur Verstärkungsregelung und eine Endverstärkerstufe (8) umfaßt.

5. Spracherkennungssystem nach Anspruch 4, dadurch gekennzeichnet, daß die Vorstufe (4, 5) eine Schaltung (4) zur Abschwächung des Sprachsi­ gnals wegen Übersteuerfestigkeit und eine Schaltung (5) zur Konstanthal­ tung des Sprachsignals mit Peakunterdrückung umfaßt.

6. Spracherkennungssystem nach Anspruch 4 oder 5, gekennzeichnet durch eine Schaltung (7) zur Klirrfaktor-Einstellung.

7. Pegelangleichvorrichtung für ein Spracherkennungssystem nach einem der Ansprüche 1 bis 6.

8. Verfahren zur Abkürzung der Lern-/Optimierungsphase eines Sprach­ erkennungssystems, dadurch gekennzeichnet, daß die Diktatsprache auf ei­ nem Tonträger aufgezeichnet wird, daß der Tonträger über ein Tonträger-Abspielgerät (3) an eine Pegelangleichvorrichtung (2) zum Anpassen der Pegel der von dem Tonträger abgespielten elektronischen Sprachsignale an eine vorbestimmte Bandbreite angeschlossen wird, und daß die Pegel­ angleichvorrichtung (2) dem Spracherkennungssystem vorgeschaltet ist.

9. Verfahren nach Anspruch 8, dadurch gekennzeichnet, daß der Aus­ gang der Pegelangleichvorrichtung (2) an einen Mikrofoneingang des Spracherkennungssystems angeschlossen wird.