DE19908772A1

DE19908772A1 - Verfahren zur Erkennung einer während des Dialogs mit einem sprachgesteuerten Dialogsystem durch den Menschen ausgelösten Verbindungsunterbrechung einer analogen Verbindung

Info

Publication number: DE19908772A1
Application number: DE1999108772
Authority: DE
Inventors: Rainer Poltmann
Original assignee: Deutsche Telekom AG
Current assignee: Deutsche Telekom AG
Priority date: 1999-02-19
Filing date: 1999-02-19
Publication date: 2000-08-24

Abstract

Die Erfindung ist auf ein kostengünstiges Verfahren ausgerichtet, das Besetztzeichen auch bei Überlagerung von Sprachsignalen mit ausreichender Schnelligkeit erkennt. DOLLAR A Erfindungsgemäß erfolgt während des Dialogs des Menschen mit dem sprachgesteuerten Dialogsystem eine ständige zyklische Überwachung der Verbindung auf das Auftreten von Besetztzeichen. Der Überwachungszyklus basiert auf sich während des Dialogs ständig wiederholenden Auswertezeiträumen, deren zeitliche Definition sich aus der begrenzten Dauer des vorgegebenen Besetztzeichens ergibt. Die Erkennung eines Besetztzeichens erfolgt anhand der Erfassung der Anzahl von definierten Abständen zwischen den während eines Auswertezeitraumes auftretenden Schwingungspaketen bestimmter Länge. DOLLAR A Das erfindungsgemäße Verfahren wird beim Einsatz von sprachgesteuerten Dialogsystemen zum ordnungsgemäßen Rücksetzen des Dialogsystems bei einer durch den Menschen/Dialogteilnehmer ausgelösten Unterbrechnung eingesetzt.

Description

Die Erfindung betrifft ein Verfahren zur sicheren Erkennung einer durch den Menschen ausgelösten Verbindungsunterbrechung der analogen Verbindung während des Dialogs mit einem sprachgesteuerten Dialogsystem.

Bei der Mensch-Maschine-Telekommunikation tritt das Problem auf, daß der Dialog zwischen Mensch und Maschine vom Benutzer, z. B. durch Auflegen des Handappa rates/Telefonhörers, durch den Menschen abrupt beendet werden kann. Für den rei bungslosen Ablauf des Dialogs Mensch-Maschine ist es notwendig, daß die Maschine eine Information über die Unterbrechung des Dialogs erhält, die durch das Auflegen des Telefonhörers durch den Menschen ausgelöst wurde. Diese Information wird von der Maschine benötigt, um den Dialog ordnungsgemäß beenden zu können. Zur Erkennung dieser Situation steht bei analogen Verbindungen nur das Besetztzeichen zur Verfü gung.

Die Sinustöne des Besetztzeichens liegen in einem Frequenzbereich von ca. 400 bis 450 Hz. Bei bekannten Systemen für den Dialog Mensch-Maschine werden zur Erkennung von Besetzttönen schmalbandige Filter eingesetzt, deren Durchlaßbereich dem erwähn ten Frequenzbereich der Besetzttöne entspricht. Anschließend wird durch einen Mikro controller geprüft, ob das gefilterte Signal den Besetztzeichen-Rhythmus aufweist. Für die schmalbandige Filterung eignen sich Schaltkreise von der Fa. Mitel SEMICON- DUCTOR (Typ MT8889C o. ä.) oder von der Fa. APTEK MICROSYSTEMS (Typ CS7010). Diese Filter besitzen eine hohe Flankensteilheit und haben den Nachteil, daß sie sehr teuer in der Herstellung sind.

Legt der Kunde den Telefonhörer auf, während die Sprachausgabe-Einheit aktiv ist, dann tritt das besondere Problem auf, daß die an der Gabelschaltung des Fernspre chendgerätes reflektierten Sprachsignale des Sprachausgabegerätes sich den Besetztzei chen überlagern. Die oben beschriebenen Verfahren werden mit dieser Situation nur sehr unzureichend fertig. Es kann vorkommen, daß die Besetztzeichen, die oft nur für eine kurze Zeitspanne von ca. 8 s vorhanden sind, gar nicht erkannt werden oder daß die reflektierten Sprachsignale fälschlicherweise als Besetztzeichen erkannt werden.

Die erfindungsgemäße Aufgabe ist auf ein kostengünstiges Verfahren ausgerichtet, das Besetztzeichen auch bei Überlagerung von Sprachsignalen mit ausreichender Schnellig keit erkennt, ohne bei alleiniger Anwesenheit von Sprachsignalen auf die Sprachsignale zu reagieren. Dabei soll berücksichtigt werden, daß die Länge der Besetzttöne und die Länge der Zwischenräume zwischen den Besetzttönen, entsprechend der jeweils ver wendeten Telefonanlage, sehr unterschiedlich sein können. Der Rechenaufwand für das Verfahren sollte gering gehalten werden.

Die Erfindung wird nachfolgend näher erläutert. Die Fig. 1 zeigt das Prinzip eines als Auskunftssystem ausgebildeten Dialogsystems mit automatischer Spracherkennung und Benutzerführung. Das Sprachsignal x(t) des fernen Teilnehmers wird über die Gabel schaltung G des Telekom-Endgerätes, die den 2-Draht/4-Draht-Übergang bildet, zur Spracherkennungs-Einheit SR geleitet. Die Spracherkennungs-Einheit SR wertet das Sprachsignal aus, woraufhin das Auskunftssystem mit automatischer Spracherkennung und Benutzerführung AS den Dialog mit dem Benutzer (ferner Teilnehmer) über die Sprachausgabe-Einheit SA weiterführt. Das von der Sprachausgabe-Einheit SA ausge gebene Sprachsignal w(t) gelangt über die Gabelschaltung G zum fernen Teilnehmer. Infolge von Fehlanpassungen in der Gabelschaltung G gelangt das von der Sprachaus gabe-Einheit SA ausgegebene Sprachsignal w(t) außerdem als Echo e(t) zum Eingang der Spracherkennungs-Einheit SR zurück.

Beendet der ferne Teilnehmer den Dialog z. B. durch Auflegen des Hörers, dann geht das Signal x(t) in das Besetztzeichen über. Ist die Sprachausgabe-Einheit SA noch aktiv, dann ist außerdem das bereits erwähnte Echo e(t) vorhanden. Die Summe der Signale x(t) und e(t) liegt außer am Eingang der Spracherkennungs-Einheit SR auch noch am Eingang des Besetztzeichen-Erkenners BD an. Der Besetztzeichen-Erkenner BD hat die Aufgabe, die Besetztzeichen x(t) trotz der überlagerten Sprach-Echos e(t) hinreichend schnell zu detektieren und die erfolgte Detektion dem Auskunftssystem AS zu übermit teln, das daraufhin den Dialog beenden und die Telefonleitung freigeben kann.

Das Wirkprinzip des erfindungsgemäßen Verfahrens wird nachfolgend anhand eines Beispiels für ein sprachgesteuertes Dialogsystem näher erläutert.

Erfindungsgemäß erfolgt während des Dialogs des Menschen mit dem sprachgesteuer ten Dialogsystem eine ständige zyklische Überwachung der Verbindung auf das Auf treten von Besetztzeichen. Der Überwachungszyklus basiert auf sich während des Dia logs ständig wiederholenden Auswertezeiträumen, deren zeitliche Definition sich aus der begrenzten Dauer des zu erwartenden Besetztzeichens ergibt. Wird während eines Auswertezeitraumes ein Besetztzeichens erkannt (die Verbindung wurde beispielsweise durch Auflegen des Telefonhörers durch den Menschen unterbrochen), so wird diese Information, beispielsweise in Form eines Steuersignals, dem Dialogsystem übermit telt, welches daraufhin den Dialog beendet und die Telefonleitung freigibt. Wird wäh rend eines Auswertezeitraumes kein Besetztzeichen erkannt, wird sofort ein neuer Aus wertezeitraum gestartet.

Nachfolgend wird der prinzipielle Verfahrensablauf während eines Auswertezeitraumes näher beschrieben. Dabei wird davon ausgegangen, daß der Mensch den Dialog unter brochen hat, daß dadurch ein Besetztzeichen anliegt, und daß das als Echo e(t) reflek tierte Sprachsignal des noch aktiven sprachgesteuerten Dialogsystems das Besetztzei chensignal überlagert.

a) Während eines sich ständig wiederholenden Auswertezeitraumes werden nach einer Digitalisierung des aus Besetztzeichen x(t) und Echo e(t) resultierenden Signals x(t) + e(t) die Abstände der Nulldurchgänge der ansteigenden bzw. absteigenden Flanken des mittels eines Analog/Digital-Wandlers digitalisierten Signals x(t) + e(t) durch Zählung der Abtasttakte zwischen zwei Nulldurchgängen erfaßt. Bei jeder einzelnen so erfaßten Schwingungsperiode wird geprüft, ob ihre Dauer einer Frequenz entspricht, die im Fre quenzbereich der Besetzttöne liegt. Bei einer Abtastfrequenz von beispielsweise 8 kHz hat ein Abtasttakt die Dauer von 125 µs. Dabei werden alle aufeinanderfolgenden Schwingungen gezählt, deren Frequenz im Frequenzbereich der Besetzttöne liegt.
b) Es wird geprüft, ob die so ermittelte Anzahl der aufeinanderfolgenden Schwingungen oberhalb eines durch die typischen Eigenschaften von Sprachsignalen gegebenen unte ren Grenzwertes cnt2min und unterhalb eines durch die maximale Länge der einzelnen Besetzttöne gegebenen oberen Grenzwertes cnt2max liegt. Alle direkt aufeinanderfol genden Schwingungen, die diese Bedingungen erfüllen, werden als Schwingungspaket bezeichnet.
c) Danach wird geprüft, ob ein erfaßtes Schwingungspaket, das die Bedingungen nach b erfüllt, einen in Abtasteinheiten gemessenen Abstand zu einem früher erfaßten Schwin gungspaket besitzt, der zwischen einem unteren Grenzwert cnt3min und einem oberen Grenzwert cnt3max liegt. Die Grenzwerte cnt3min und cnt3max sind dabei vom Rhythmus des jeweils vorliegenden Besetztzeichens abhängig.
d) Die Anzahl der Schwingungspakete, die die Bedingungen nach Punkt c erfüllen, wird erfaßt. Erreicht die Anzahl der erfaßten Schwingungspakete innerhalb eines fest gelegten Auswertezeitraumes eine festgelegte Anzahl cnt4, so bedeutet das, daß ein Besetztzeichen anliegt. Nach Erkennung des Besetztzeichens wird ein vorher gespei chertes Signal ausgelöst und zum sprachgesteuerten Dialogsystem übertragen. Dieses Signal löst die Unterbrechung des Dialogs aus. Das Dialogsystem wird dadurch ord nungsgemäß zurückgesetzt.
e) Wird nach Ablauf des festgelegten Auswertezeitraumes die zur sicheren Erkennung des konkreten Besetztzeichens festgelegte Anzahl von Schwingungspaketen nicht er reicht, wird die bis zu diesem Zeitpunkt ermittelte Anzahl von Schwingungspaketen gelöscht. Das geschieht dadurch, daß der Zähler, der die Schwingungspakete zählt, null gesetzt oder dekrementiert wird. Danach wird der Auswertezeitraum neu gestartet. Das vorstehende Verfahren wird dauerhaft in jedem Abtastschritt wiederholt. Bei einer Ton-Abtastfrequenz des Analog/Digital-Wandlers von z. B. 8 kHz wird das Verfahren also alle 125 µs einmal aufgerufen.

Mit dem erfindungsgemäßen Verfahren werden im eigentlichen Sinne nicht die Schwingungspakete gezählt, sondern die Abstände zwischen den Schwingungspaketen.

Dies ist wichtig zum Verständnis des Verfahrens, wenn störende Sprachsignale die Be setzttöne überlagern. Ein Besetztton selbst, der im störungsfreien Fall ein großes Schwingungspaket bildet, wird durch die überlagerten Sprachsignale in viele kleinere Schwingungspakete (mit kleineren Abständen) zerlegt. Die (größeren) Abstände zwi schen den Besetzttönen bleiben jedoch weitgehend erhalten und können detektiert wer den.

Normale Sprachsignale dürfen nicht als Besetztzeichen erkannt werden. Versuche erga ben, daß das erfindungsgemäße Verfahren eine Sicherheit von 100 Prozent gegenüber solchen Fehlentscheidungen aufweist.

Eine Implementierung des erfindungsgemäßen Verfahrens zeigt Fig. 2. Das Flußdia gramm nach Fig. 2 (Teil a und Teil b) wird in jedem Abtastschritt genau einmal durch laufen. Die Implementierung erfordert z. B. auf dem Digitalen Signalprozessor DSP56303 von Motorola bei der üblichen Ton-Abtastfrequenz von 8 kHz lediglich ca. 1% der Rechenkapazität des Prozessors.

Die in Fig. 2 angeführten Zahlenangaben für die minimalen und maximalen Zähler stände gelten für eine Abtastfrequenz von 8 kHz und wären bei Verwendung anderer Abtastfrequenzen entsprechend umzurechnen. Nachfolgend werden anhand einer Auf stellung die in Fig. 2 dargestellten Abläufe näher benannt:
cnt0: Zähler für den Auswertungszeitraum (5 sec). Zählt von cnt0max auf 0 herunter, wird dann wieder her aufgesetzt. Er wird, unabhängig vom aktuellen Zähler stand, auch immer dann gesetzt, wenn der erste Abstand detektiert worden ist, d. h., wenn cnt4 = 1.
cnt0max = 40000: Der Maximalwert entspricht einem Zeitraum von 5 sec.
cnt1: Zähler zur Bestimmung der Periodendauer.
cnt1min = 16: Minimal- und Maximalwert sind so festgelegt, daß ein
cnt1max = 20: Frequenzbereich von 381 Hz bis 500 Hz erfaßt wird.
cnt2: Zähler zur Messung der Anzahl der Schwingungsperioden.
cnt2min = 20: der Maximalwert von 300 ist für eine maximale
cnt2max = 300: Besetzttonlänge von 600 ms bei 500 Hz ausgelegt
ent3: Zähler zur Ermittlung des Abstandes zweier Schwingungs pakete.
cnt3min = 1600 = 200 ms; cnt3min und cnt3max legen den zulässigen
cnt3max = 6000 = 750 ms; Abstandsbereich zweier Schwingungspa kete fest, für den der Abstand als erkannt gel ten soll.
cnt3min und cnt3max müssen so gewählt werden, daß der Abstand zwischen den Besetzttönen bei allen in Frage kommenden Besetztzeichen in diesem Bereich liegt. Der Zählerstand cnt3 entspricht zunächst dem Abstand vom Ende des vorigen Schwingungspaketes zum Ende des aktuellen Schwingungspaketes. Benötigt wird aber der Abstand vom Ende des vorigen Schwingungspaketes zum Beginn des aktuellen Schwingungspaketes. Dieser wird mit cnt3 = cnt3 - a cnt2 berechnet; die Konstante a entspricht der mittleren Frequenz:
a = 0.5 (cnt1min + cnt1max) = 18.
cnt4: Zähler für die Anzahl der erkannten Abstände.
c: Hilfsflag;
wird gleich eins gesetzt, wenn ein Schwingungspaket ab geschlossen ist und ausgewertet werden kann.
Besetzt-Flag: wird gleich eins gesetzt, wenn das Besetztzeichen erkannt ist; das Zurücksetzen des Flags muß außerhalb des Pro gramms erfolgen. Das Besetztzeichen gilt als erkannt, wenn im Auswertungszeitraum der 3. Abstand detektiert worden ist, d. h. wenn cnt4 = 3. Wenn cnt4 < 3 ist, wird das Besetzt-Flag nicht neu gesetzt; es wird frühestens im nächsten Auswertungszeitraum neu gesetzt, falls wie der cnt4 = 3 erreicht werden sollte.

Bezugszeichenaufstellung

SA Sprachausgabeeinheit
AS Auskunftssystem mit automatischer Spracherkennung und Benutzerführung
SR Spracherkennungseinheit
BD Besetztzeichenerkenner
G Gabelschaltung
x(t) Sprachsignal des fernen Teilnehmers
w(t) von der Sprachausgabeeinheit SA ausgegebenes Sprachsignal
e(t) Echo des Signals w(t)
cnt0 Zähler für den Auswertungszeitraum
cnt1 Zähler zur Bestimmung der Periodendauer
cnt2 Zähler zur Messung der Anzahl der Schwingungsperioden
cnt3 Zähler zur Ermittlung des Abstands zweier Schwingungspakete
cnt4 Zähler für die Anzahl der erkannten Abstände

Claims

1. Verfahren zur Erkennung einer während des Dialogs mit einem sprachgesteuerten Dialogsystem durch den Menschen ausgelösten Verbindungsunterbrechung einer analogen Verbindung, anhand des durch die Unterbrechung ausgelösten Besetzt zeichens, wobei das Besetztzeichen mit reflektierten Sprachsignalen des noch akti ven sprachgesteuerten Dialogsystems überlagert ist, dadurch gekenn zeichnet, daß eine ständige Überwachung des Dialogs erfolgt, bei der nach ei ner Digitalisierung des aus Besetztzeichen x(t) und reflektierten Sprachsignalen e(t) resultierenden Signals x(t) + e(t) während eines durch die begrenzte Dauer des an liegenden Besetztzeichens bestimmten, sich während des Dialogs ständig wieder holenden Auswertezeitraumes,

a) die Abstände der Nulldurchgänge der ansteigenden bzw. absteigenden Flanken des aus Besetztzeichen x(t) und reflektierten Sprachsignalen e(t) resultierenden Si gnals x(t) + e(t) durch Zählung der Abtasttakte zwischen zwei Nulldurchgängen er faßt werden und bei jeder einzelnen so erfaßten Schwingungsperiode geprüft wird, ob die Dauer dieser Schwingungsperiode einer Frequenz entspricht, die in dem Frequenzbereich liegt, in dem die Frequenz der Besetzttöne liegt, daß
b) die Anzahl der direkt aufeinanderfolgenden Schwingungen gezählt wird, die die Bedingungen von Schritt a erfüllen, und geprüft wird, ob diese Anzahl oberhalb ei nes durch die typischen Eigenschaften von Sprachsignalen gegebenen unteren Grenzwertes cnt2min und unterhalb eines durch die maximale Länge der einzelnen Besetzttöne gegebenen oberen Grenzwertes cnt2max liegt, wobei die direkt aufein anderfolgenden Schwingungen, die diese Bedingungen erfüllen, als Schwingungs paket bezeichnet werden, daß
c) geprüft wird, ob ein erfaßtes Schwingungspaket einen in Abtasteinheiten gemes senen Abstand zu einem früheren erfaßten Schwingungspaket besitzt, der zwischen einem unteren Grenzwert cnt3min und einem oberen Grenzwert cnt3max liegt, wobei diese Grenzwerte durch den Rhythmus des zu erwartenden Besetztzeichens vorgegeben sind, und daß
d) in dem Fall, daß die Anzahl der Schwingungspakete, die die Bedingungen von Schritt c) erfüllen, innerhalb des festgelegten Auswertezeitraumes eine festgelegte Anzahl erreichen, ein Signal über das Erkennen eines Besetztzeichens an das sprachgesteuerte Dialogsystem übermittelt wird, welches die Unterbrechung des Dialogs auslöst, und daß
e) in dem Fall, daß nach Ablauf des festgelegten Auswertezeitraumes die gefor derte Anzahl von Schwingungspaketen nicht erreicht wird, die bis zu diesem Zeit punkt ermittelte Anzahl von Schwingungspaketen gelöscht bzw. der betreffende Zähler dekrementiert wird, und daß anschließend der Auswertezeitraum neu ge startet wird.