DE19938649A1 - Verfahren und Vorrichtung zur Spracherkennung - Google Patents

Abstract

Bei einem Verfahren zur Spracherkennung für die Auslösung sprachgesteuerter Vorgänge durch Erkennung bestimmter Schlüsselwörter in erfaßten Sprachsignalen wird die Auslösung der sprachgesteuerten Vorgänge von dem Ergebnis einer prosodischen Prüfung (Intonationsbewertung) der erkannten Schlüsselwörter abhängig gemacht. Zusätzlich kann die Auslösung der sprachgesteuerten Vorgänge durch eine Kombination von erkannten Schlüsselwörtern erfolgen, die bestimmten kontextuellen Kriterien entspricht. Für die kontextuelle Prüfung kann eine Gewichtung der einzelnen erkannten Schlüsselwörter vorgenommen werden.

Description

Die Erfindung betrifft ein Verfahren nach dem Oberbe­ griff des Anspruchs 1 sowie eine Vorrichtung zur Durchführung dieses Verfahrens.

Anders als bei den herkömmlichen Eingabemedien für Steuersignale wie Tastatur, Maus oder Schalter, bei denen die Eingabefunktion streng lokal ist und nur ausnahmsweise ungewollt ausgelöst wird, ist das Sprachsignal dank seiner räumlichen Ausbreitung all­ gegenwärtig. Dies ist hinsichtlich seiner Verwendbar­ keit als Steuersignal ein unbestritten großer Vor­ teil, da hierdurch eine räumliche Unabhängigkeit wäh­ rend der akustischen Kommunikation ermöglicht wird. Andererseits ist damit jedoch auch ein großes Angebot akustischer Signal am Eingang des Spracherkenners während der Erkennung von Sprachkommandos verbunden. Da sowohl alltägliche Gespräche (ungewollt) als auch die Steuerkommandos (gewollt) dem Spracherkenner "be­ kannte" Wörter oder Kommandos enthalten können, muß auf irgendeine Weise ein Vorsortieren der akustischen Signale erfolgen; ansonsten würde der Spracherkenner ständig Erkennungsergebnisse liefern, die ihren Ur­ sprung in ganz gewöhnlicher zwischenmenschlicher Kom­ munikation haben.

Ein oft genutztes Verfahren der Synchronisierung zwi­ schen dem Menschen als Erzeuger der Sprachsignale und dem Spracherkenner besteht in der Dialogkontrolle durch das technische System. Beim Stand der Technik überlassen technische Dialogsysteme die Initiative zur Aktivierung des Spracherkenners nur teilweise dem Nutzer, auch wenn neuerdings die Tendenz in diese Richtung geht. So erfolgen zumeist nach dem Start ei­ nes Vorgangs mit sprachgesteuerten Abläufen Aufforde­ rungen zu einer Kommandoeingabe mittels Sprachsigna­ len durch das System. Somit "weiß" der Spracherkenner immer, wann er aktiv werden muß. Solche Aufforderun­ gen können durch einen Sprachprompt oder einfach nur durch einen kurzen Hinweiston erfolgen. Damit ist dem Nutzer vorgegeben, wann er seine Spracheingabe zu tä­ tigen hat. Für eine bestimmte Zeitspanne - das Zeit­ fenster - wird der Spracherkenner aktiv geschaltet. Erfolgt in dieser Zeit eine Spracheingabe, dann wird sie erkannt, ansonsten verworfen oder mit einem Feh­ ler "time-out" beantwortet. Kritisch sind hier die Fälle, in denen die Kommandoeingabe im Zeitfenster begonnen, aber nicht beendet wird. In jedem Fall wird hier von dem Nutzer ein hohes Maß an Disziplin ver­ langt. Infolge der Starrheit und der hohen Anforde­ rungen an den Nutzer kann dieses Verfahren somit nicht als nutzerfreundlich bezeichnet werden; im Be­ reich allgemeiner Steuerungsaufgaben ist es nur für den Fernzugriff geeignet. Für die unmittelbare lokale Steuerung von Objekten hingegen ist dieses Verfahren unzweckmäßig, weil es stets dem Willen des Nutzers überlassen sein sollte, wann ein Steuervorgang ausge­ löst werden soll.

Eine weitere technisch sehr einfache Lösung ist das manuelle Auslösen des Erkennungsvorgangs durch Betä­ tigung eines Tasters zum Start der Eingabe eines Kom­ mandos. Hier erfolgt eine Synchronisation des Erken­ nungsvorgangs somit durch den Nutzer. Jedoch muß die sprachliche Kommandoeingabe wieder innerhalb des Zeitfensters erfolgen, wobei aber die Initiative der Auslösung, d. h. die Wahl des entsprechenden Zeitpunk­ tes, beim Nutzer liegt. Nachteilig an dieser Lösung ist die Bindung an eine technische Zusatzeinrichtung, die Operationen ohne Zuhilfenahme der Hände stark er­ schwert oder unmöglich macht. Eine Erleichterung stellen Taster dar, die drahtlos mit dem Spracherken­ ner verbunden sind. Insgesamt haben solche Lösungen jedoch Unbequemlichkeiten zur Folge, die nur ungern in Kauf genommen werden.

Mit dem sogenannten Keyword-Spotting steht heute die komfortabelste Methode für den Start des Spracherken­ ners zur Verfügung. Bei diesem Verfahren erfolgt der Start durch das Sprachsignal selbst. Dazu muß minde­ stens ein Schlüsselwort oder eine Schlüsselwortfolge (Keyword oder Multikeyword) bestimmt sein, das/die in anderen Zusammenhängen (z. B. in normalen Gesprächssi­ tuationen) praktisch nicht verwendet wird/werden. Technologisch wird die Aufgabe durch einen Schlüssel­ worterkenner (Keyword-Spotter) gelöst, der ständig alle akustischen Informationen nach solchen Schlüs­ selwörtern untersucht. Hat er ein solches entdeckt, wird der Spracherkenner gestartet und die Kommando­ eingabe kann innerhalb des Zeitfensters in bekannter Weise erfolgen.

Die Pausen zwischen dem Schlüsselwort und dem eigent­ lichen Kommando können sehr kurz sein, so daß eine zusätzliche Aufforderung zur Kommandoeingabe nicht erforderlich ist. Allerdings können die Schlüsselwör­ ter auch fälschlicherweise erkannt werden. Daher ist immer durch eine entsprechende Rückfrage zu klären, ob denn tatsächlich ein Kommando eingegeben wurde. Solche zusätzlichen Rückfragen verlangsamen den Kom­ mandodialog und damit die Auslösung des zu steuernden Vorgangs in nachteiliger Weise.

Es ist daher die Aufgabe der vorliegenden Erfindung, ein Verfahren und eine Vorrichtung zur Spracherken­ nung für die Auslösung sprachgesteuerter Vorgänge durch Erkennung bestimmter Schlüsselwörter in erfaß­ ten Sprachsignalen anzugeben, mit denen eine sichere Erkennung der Schlüsselwörter möglich ist, ohne daß mechanische Hilfsmittel verwendet werden und ohne daß der Nutzer zur Beachtung von Zeitfenstern gezwungen ist.

Diese Aufgabe wird erfindungsgemäß für das Verfahren durch die Merkmale des Anspruchs 1 und für die Vor­ richtung zur Durchführung des Verfahrens durch die Merkmale des Anspruchs 8 gelöst.

Dadurch, daß die Auslösung der sprachgesteuerten Vor­ gänge von dem Ergebnis einer prosodischen Prüfung der erkannten Schlüsselwörter abhängig gemacht wird, wird ein zusätzliches Kriterium zur Erfassung befehlsarti­ ger Sprachsignale herangezogen. Hierdurch wird eine zusätzliche Sicherheit geschaffen, so daß es der Ver­ wendung von Sprachfenstern, in welchen der Spracher­ kenner zum Empfang von Kommandos bereit ist, nicht bedarf.

Herkömmliche Spracherkenner ignorieren grundsätzlich die Intonation (allgemeiner: Prosodik) des Sprechers, da diese nicht für den Inhalt bedeutungstragend ist. Für die Unterscheidung, ob ein Schlüsselwort gespro­ chen wurde oder nicht, ist die Prosodik aber sehr wohl diskriminant. Anhand des folgenden Beispiels ist diese Bedeutung sehr leicht nachvollziehbar:

• 1. Satz: "Heute nachmittag werde ich die Waschmaschi­ ne einschalten."
• 2. Satz: "Waschmaschine einschalten!"

Im ersten Satz wird nur eine Mitteilung gemacht, die aber zu keiner unmittelbaren Aktion führen soll und auch nicht führen darf. Die Waschmaschine ist das Ob­ jekt des Satzes. Hingegen ist der zweite Satz ein Kommando. In diesem Kommando ist die (sprachgesteuer­ te) Waschmaschine als Subjekt zu verstehen, das sich selbst einschalten soll. Diesen Unterschied macht der menschliche Sprecher hauptsächlich durch die Betonung der Worte "Waschmaschine" und "einschalten" deutlich.

Die erfindungsgemäße Lösung besteht darin, die Schlüsselworterkennung durch eine Bewertung der Into­ nation zu ergänzen. Bei der Intonationsbewertung wird vorausgesetzt, daß ein oder mehrere Schlüsselwörter erkannt worden sind, so daß sich die Intonationskon­ trolle nur auf die Schlüsselworte zu beziehen braucht.

Der Spracherkenner ist immer aktiv und entwickelt ständig neue Hypothesen über die Inhalte des Sprach­ signals. Insofern muß der Spracherkenner auch nicht ständig zur Kommandoeingabe gestartet werden, wie es bei den Verfahren nach dem Stand der Technik notwen­ dig ist. Hierdurch ist es möglich, zur weiteren Stei­ gerung der Sicherheit auch eine kontextuelle Prüfung der erkannten Schlüsselwörter vorzunehmen. Dies be­ deutet, daß die erkannten Schlüsselwörter zueinander in Relation gebracht werden. Damit kann ausgeschlos­ sen werden, daß logisch nicht zusammenpassende Schlüsselwörter als auszuführendes Kommando erkannt werden.

In dem vorgenannten Beispiel kann die Waschmaschine ein- oder ausgeschaltet werden. Wird nun der Begriff "Waschmaschine" mit einem in anderem Zusammenhang (z. B. sprachgesteuerter Videorecorder) gebrauchten Schlüsselwort - z. B. "aufzeichnen" - entdeckt, so kann mit großer Sicherheit ausgeschlossen werden, daß die Waschmaschine ein entsprechendes Kommando ausfüh­ ren soll.

Vorzugsweise bezieht sich die kontextuelle Analyse nicht auf eine feste Anzahl von Schlüsselwörtern, sondern kann von Fall zu Fall variieren, wobei die Schlüsselwörter, je weiter sie vom aktuellen Bezug entfernt sind, mit geringeren Gewichten in die Bewer­ tung eingehen. Wenn ein Kommando detektiert wurde, dann werden alle zuvor erkannten Schlüsselwörter ge­ löscht und somit von weiteren Bewertungen ausge­ schlossen. Das Gleiche geschieht, wenn das Auftreten von Schlüsselwörtern zeitlich sehr weit auseinander­ liegt.

Die Kombination der Ergebnisse der prosodischen und der kontextuellen Prüfung führt zu der Erkennung ei­ nes Kommandos mit hoher Sicherheit. Abschließend kann das gefundene Erkennungsergebnis noch in einer fakul­ tativen Rückfrageprozedur durch den den Benutzer ve­ rifiziert werden, um das Sicherheitsmaß noch zu erhö­ hen.

Die Erfindung wird im Folgenden anhand eines in den Figuren dargestellten Ausführungsbeispiels näher er­ läutert. Es zeigen:

Fig. 1 das Blockschaltbild eines das erfindungsgemä­ ße Verfahren durchführenden Spracherkenners, und

Fig. 2 ein Flußdiagramm zur Erläuterung der Arbeits­ weise des Spracherkenners nach Fig. 1.

Der gezeigte Spracherkenner enthält die Funktions­ blöcke Merkmalsanalyse 1 und Schlüsselworterkennung 2 eines herkömmlichen Spracherkenners. Die Ergebnisse der Merkmalsanalyse 1 werden auch einem Funktions­ block Intonationsbewertung 4 zugeführt. Im einfach­ sten Fall besteht die Intonationsbewertung 4 aus ei­ nem bekannten Grundfrequenzanalysator. Das zu erken­ nende Sprachsignal wird in bekannter Weise dem Merk­ malsanalysator 1 zugeleitet, dessen Ergebnisse (Merk­ malsvektoren) zur Klassifikation dem Schlüsselworter­ kenner 2 und zur Intonationsanalyse der Intonations­ bewertung 4 zugeführt werden. Der Ausgang des Schlüs­ selworterkenners 2 ist mit dem Eingang eines Schlüs­ selwortspeichers 3 verbunden, der wie ein Stack ar­ beitet. Hierdurch wird gewährleistet, daß die zuletzt gespeicherten Schlüsselwörter am höchsten in die Be­ wertung bei der nachfolgenden Kontextprüfung 5 einge­ hen.

Die Ergebnisse der Intonationsbewertung 4 werden di­ rekt einem erkannten Schlüsselwort zugeordnet und in der Kontextprüfung 5 bewertet. Im Erkennungsfall wird einerseits der Schlüsselwortspeicher 3 zurückgesetzt und andererseits das Erkennungsergebnis (Kommando) zur weiteren Verarbeitung ausgegeben.

Im Bedarfsfall kann das Ergebnis der Kontextprüfung 5 noch einer Verifikationseinheit 6 zugeführt werden, die in bekannter Weise eine verbale oder in anderer Weise gestaltete Rückfrage zur Betätigung durch den Benutzer einleitet. Als Entscheidungshilfe für die Notwendigkeit einer derartigen Rückfrage kann die Er­ kennungswahrscheinlichkeit der Kontextprüfung 5 her­ angezogen werden, die direkt an die Verifikationsein­ heit 6 übergeben wird.

Claims (12)

1. Verfahren zur Spracherkennung für die Auslösung sprachgesteuerter Vorgänge durch Erkennung be­ stimmter Schlüsselwörter in erfaßten Sprachsi­ gnalen, dadurch gekennzeichnet, daß die Auslösung der sprachgesteuerten Vorgänge von dem Ergebnis einer prosodischen Prüfung der erkannten Schlüsselwörter abhängig gemacht wird.

2. Verfahren nach Anspruch 1, dadurch gekennzeich­ net, daß die Auslösung der sprachgesteuerten Vorgänge durch eine Kombination erkannter Schlüsselwörter erfolgt, die bestimmten kontex­ tuellen Kriterien entspricht.

3. Verfahren nach Anspruch 2, dadurch gekennzeich­ net, daß die kontextuellen Kriterien anhand ei­ ner Plausibilitätsprüfung bestimmt werden.

4. Verfahren nach Anspruch 2 oder 3, dadurch ge­ kennzeichnet, daß für die kontextuelle Prüfung eine Gewichtung der einzelnen erkannten Schlüs­ selwörter erfolgt.

5. Verfahren nach Anspruch 4, dadurch gekennzeich­ net, daß die Gewichtung in Abhängigkeit vom Zeitpunkt der Erkennung des jeweiligen Schlüs­ selwortes erfolgt.

6. Verfahren nach einem der Ansprüche 1 bis 5, da­ durch gekennzeichnet, daß die Auslösung der sprachgesteuerten Vorgänge von einer Bestätigung des Ergebnisses der Spracherkennung durch den Benutzer abhängig gemacht wird.

7. Verfahren nach Anspruch 6, dadurch gekennzeich­ net, daß das Erfordernis der Bestätigung durch den Benutzer von dem Grad der Erkennungswahr­ scheinlichkeit bei der kontextuellen Prüfung ab­ hängig gemacht wird.

8. Vorrichtung zur Durchführung des Verfahrens nach einem der Ansprüche 1 bis 7, dadurch gekenn­ zeichnet, daß sie einen sprecherunabhängigen Spracherkenner mit einem Merkmalsanalysator (1) aufweist, dem jeweils eine Schlüsselwort- Erkennungsvorrichtung (2) und eine Intonations- Bewertungsvorrichtung (4) nachgeschaltet sind.

9. Vorrichtung nach Anspruch 8, dadurch gekenn­ zeichnet, daß der Schlüsselwort- Erkennungsvorrichtung (2) ein Schlüsselwortspei­ cher (3) nachgeschaltet ist.

10. Vorrichtung nach Anspruch 9, dadurch gekenn­ zeichnet, daß der Schlüsselwortspeicher (3) nach der Erzeugung eines die Auslösung eines sprach­ gesteuerten Vorgangs bewirkenden Signals rück­ setzbar ist.

11. Vorrichtung nach einem der Ansprüche 8 bis 10, dadurch gekennzeichnet, daß die Intonations- Bewertungsvorrichtung (4) ein Grundfrequenzana­ lysator ist.

12. Vorrichtung nach einem der Ansprüche 9 bis 11, dadurch gekennzeichnet, daß die Ausgänge des Schlüsselwortspeichers (3) und der Intonations- Bewertungsvorrichtung (4) jeweils mit einem Ein­ gang einer Kontext-Prüfungsvorrichtung (5) ver­ bunden sind.