DE2649259C2 - Verfahren zum automatischen Erkennen von gestörter Telefonsprache - Google Patents

Description

I)

b) c)

III)

IV)

Durchführung einer einzigen Frequenzanalyse zur Ermittlung des Amplituden- oder Leistungsspektrums der gestörten Telefonsprache; Ermittlung jener Frequenzwerte, bei denen das Amplituden- oder Leistungsspektrum der gestörten Telefonsprache a) einen Schwellwert überschreitet und ein relatives Maximum aufweist und vor und nach dem jeweiligen relativen Maximum der Betrag der Steigung ebenfalls einen Schwellwert überschreitet; Prüfung, ob bei mindestens vier aufeinanderfolgenden der nach II) ermittelten Frequenzwerte die Anstände von je zwei benachbarten Frequenzwerten

a) gleichgroß sind und

b) in einen Bereich fallen, in dem die menschlichen Sprachgrundfrequenzen liegen;

Klassifizierung des so ermittelten, alle Bedingungen nach II) und III) erfüllenden Frequenzbereichs des Spektrums (Formantbereich) als zu einem stimmhaften Laut gehörend.

Bei der Erfindung handelt es sicn um ein Verfahren nach dem Oberbegriff des Patentanspruches.

Mit diesem Verfahren werden, trotz Anwesenheit von Störungen noch zu erläuternder Art, die Sprachgrundfrequenz der Telefonsprache (Nutzsprache) festgestellt und charakteristische Verteilungen (Formantbereiche) in ihrem Amplitudenspektrum ermittelt Störungen der Telefonsprache, die bekanntlich nur Frequenzen zwischen 300 und 3400 Hz enthält, können z. B. Geräusche oder Fremdstimmen am Orte des Telefonapparates sein oder Rauschen und periodische Signale, die im Zuge der Übertragung der Telefonsprache überlagert werden.

Die Verfahren zum automatischen Erkennen von gestörter Telefonsprache stellen die wirtschaftlich bedeutungsvolle Erweiterung der zahlreichen bekannten Verfahren zur automatischen Spracherkennung dar, bei denen von überlagerten Störungen in der Regel überhaupt nicht gesprochen wird. Die wirtschaftliche Bedeutung eines Verfahrens der eingangs genannten Art ist daran erkennbar, daß sich kaum Beispiele finden lassen, bei denen automatische Spracherkennung ohne die Benutzung des Telefonnetzes angewendet wird. Als Beispiele für Großanwendungen seien hier vollautomatische Auskunftssysteme mit sprachlichem Dialog erwähnt.

Ein wichtiges mathematisches Hilfsmittel für die Analyse von Signalen überhaupt ist die Spektralfunktion A (ω) (andere Bezeichnungen sind: Fourier-Transformierte des Signales oder Sprachsignale im Frequenzbereich), wie z. B. aus dem Artikel von R. Bierl, »Zur Frequenzanalyse von beliebigen Schallvorgängen«, Akustische Beihefte, Heft 4, 1952, Seiten AB 225 bis AB 235 hervorgeht. Aus den Eigenschaften dieser — im allgemeinen komplexwertigen - Funktion oder von ihr abgeleiteter Funktionen, wie dem Amplitudenspektrum (der Betrag der Spektralfunktion), dem Phasenspektrum (der ARCUS der Spektralfunktion) oder dem Leistungsspektrum (das Betragsquadrat der Spektralfunktion) lassen sich Unterschiede von Signalen deutlicher erkennen als an deren zeitlichem Verlauf (vgL hierzu z, B, Endres: »Probleme der Analyse und Synthese von Sprache durch Automaten«, Jahrbuch des elektrischen Fernmeldewesens, 1967, Seiten 132-169). Im folgenden werden das Amplitudenspektrum sowie das Leistungsspektrum der Kürze wegen nur mit Spektrum bezeichnet

Bei der Sprachanalyse wird häufig jedoch auch der Zeitverlauf des Sprachsignales untersucht wie das Beispiel der DE-OS 2357 067 zeigt Was bei der Untersuchung des Sprachsignales als Funktion der Zeit (Sprachsignale im Zeitbereich) geprüft wird, ist grundsätzlich bei der untersuchung eine.r jeden Funktion möglich, wie z. B. die Bestimmung der Lage der Nullstellen, die Abstände der Nullstellen, die Lage der relativen Maxima und Minima, die Lage der Wendepunkte sowie deren Abstände oder die Lage der Spitzenwerte (absolute Minima und Maxima) einschließlich ihrer Abstände. Insoweit lassen sich bei Analysen von Sprachsignajen im Zeitbereich und im Frequenzbereich fast immer Gemeinsamkeiten finden. In der DE-OS 23 57 067 z.B. wird das Aufsuchen von Spitzenwerten des Sprachsignales im Zeitbereich gelehrt, um hieraus die Grundperiode (Pitch-Periode) des Signales zu bestimmen. Ähnliches wird in der DE-OS 22 33 872'oeschrieben.

Nach der DE-OS 20 34 623 wird das Sprachsignal über einen Schwellwertdetektor geleitet dessen Schwelle derart eingestellt ist, daß sie häufiger vom Sprachsigna] als vom Rauschsignal überschritten wird. In der DE-OS 20 20 753 dagegen werden die Ableitungen der Hüllkurve des Amplitudenspektrums näher untersucht und zur Erkennung einzelner Sprachlaute verwendet

Mit einer Filterkette, die in Richtung wachsender Frequenzen einen Dämpfungsanscieg aufweist, wird nach einem Artikel von H. J. Erb »Ein Verfahren zur Bestimmung der Sprachgrundfrequenz in Echtzeit«, Frequenz 28 (1974), Seiten 23—28, der Oberwellenanteil menschlicher Sprache so weit unterdrückt, daß die Nulldurchgänge des Ausgangssignales der Filterkette mit den Nulldurchgängen der Grundschwingung des Sprachsignales übereinstimmen. Mit der Markierung der Nulldurchgänge des Ausgangssignales der Filterkette läßt sich dann die Grundperiodendauer des Sprachsignales angeben.

Aus dem Artikel von A. V. Oppenheim, I.E.E.E. spectrum, August 1970, Seiten 57-62 ist es bekannt die schnelle Fourier-Transformation (FFT) dazu zu verwenden, von aufeinanderfolgenden Zeitabschnitten eines Sprachsignales die Spektralfunktion zu bestimmen und das Ergebnis in einem sogenannten Spektrogramm darzustellen. In einem Spektrogramm ist das Auftreten einer Schwingung mit einer bestimmten Frequenz in einem Frequenz-Zeit-Koordinatensystem eingetragen. Es ist bekannt, zum automatischen Erkennen auch von gestörter Telefonsprache, die Cepstrum-Methode anzuwenden (NTZ 26 (1973), Heft 7, Seiten 312-316). Dabei werden zuerst die logarithmierten Spektren der Telefonsprache erzeugt. Sie zeigen bei stimmhaften Lauten eine charakteristische Linienstruktur, die aus einer Folge von äquidistanten Linien besteht. Diese

charakteristische Linienstruktur wird bei der Cepstrum-Methode dadurch debitiert, daß man die logarithmierten Spektren einer weiteren Frequenzanalyse unterwirft. Die Periodteität der Linienstruktur in den logarithmierten Sprachspektren verursacht im Analyseergebnis der zweiten Frequenzanalyse ein charakteristisches Maximum, dessen Anwesenheit oder Abwesenheit zur Unterscheidung von stimmhaften und stimmlosen Lauten oder stimmhaften Lauten und Pausen ausgenutzt -.vird. Die Position dieses charakteristischen Maximums ist ein direktes Maß für die Höhe der Sprachgrundfrequenz.

Die Cepstrum-Methode hat den entscheidenden Nachteil, daß zu ihrer Durchführung zwei Frequenzanalysen hintereinander ausgeführt werden müssen. Daraus is ergibt sich, daß die Arbeitsgeschwindigkeit des Verfahrens relativ niedrig ist (die Analysierzeiten der Frequenzanalysatoren addieren sich), daß die Ergebnisse relativ ungenau sind (die AnalysierfehJer der Frequenz?jialysatoren addieren sich) und daß der Aufwand zur Realisierung des Verfahrens hoch ist (es werden gleichzeitig zwei teure Frequenzanalysatoren benötigt). Ein weiterer entscheidender Nachteil des Cepstrum-Verfahrens wird darin gesehen, daß es zwar in der Lage ist, eine Aussage darüber zu machen, ob sich eine Linienstruktur in den Sprachspektren befindet, nicht jedoch, wo sich diese Linienstruktur in den Sprachspektren befindet Die globale Aussage, die das Cepstrum-Verfahren liefert, ist damit nicht dazu geeignet, die einzelnen charakteristischen Energiekonzentrationen (Formanten) in den Spektren stimmhafter Laute zu detektieren.

Der Erfindung liegt die Aufgabe zugrunde, ein Verfahren zur automatischen Verarbeitung von gestörter Telefonsprache mit dem Ziel ihrer automatischen Erkennung anzugeben, das nur von einer einzigen Frequenzanalyse Gebrauch macht Dabei soll die Leistungsfähigkeit der Cepstrum-Methode übertroffen werden, indem nicht nur — wie bei dieser — eine Detektion der stimmhaften Laute und einer Ermittlung der Sprachgrundfrequenz durchgeführt wird, sondern darüber hinaus auch noch eine Lokalisierung der Formanten sowie ein Schutz gegen Verfälschungen der Erkennungsergebnisse durch den Einfluß von Fremdstimmen gewährleistet wird.

Diese Aufgabe wird durch die Gesamtheit der im Kennzeichen des Patentanspruchs angegebenen Verfahrensschritte gelöst

Die mit dem Verfahren nach dem Patentanspruch erzielten Vorteile bestehen darin, daß zur automatisehen Erkennung der Telefonsprache nur ein Frequenzanalysator benötigt wird, Jaß trotz Überlagerung der Telefonsprache mit Rauschen und sinusförmigen Signalen eine Lokeüsierung der Fcrmantbereiche möglich ist und daß ein wirksamer Schutz der Erkennungsergebnisse gegen Verfälschungen durch Fremdstimmen geboten wird.

Im folgenden wird das Verfahren nach der Erfindung anhand von F i g. 1 bis F i g. 6 näher erläutert. Es zeigt

F i g. 1 das Spektrum eines reinen Vokales,

Fig.2 das Spektrum von Rauschen bzw. eines Reibelautes,

F i g. 3 das Spektrum eines sinusförmigen Signales,

F i g. 4 das Spektrum eines Vokales, überlagert durch Rauschen,

F i g. 5 das Spektrum eines Vokales, überlagert durch ein sinusförmiges Signal,

Fig. 6 das Spektrum eines Vokales, überlagert durch das Spektrum eines anderen Vokales, der von einer Fremdstimme herstammt

In Fig. 1 ist die Linienstruktur des Spektrums des reinen Vokals deutlich zu erkennen. Die erste Spektrallinie 51 befindet sich bei der Frequenz vo dsr menschlichen Sprachgrundfrequenz, Die n-te Spektrallinie S_n befindet sich bei der Frequenz π · vo. Die Spektrallinien liegen äquidistant Der Abstand benachbarter Spektrallinien beträgt vo.

Nach dem Verfahren gemäß dem Patentanspruch wird die Frequenzlage der spektrallinien-verdächtigen Maxima folgendermaßen detektiert:

Es werden die Frequenzwerte ermittelt, bei denen das Spektrum

a) einen Schwellwert T überschreitet (elektronisch realisiert durch Vergleich des Spektrums mit einem Schwellwert eines Schwellwertschalters),

b) ein relatives Maximum aufweist (elektronisch realisiert durch Erzeugung der ersten Ableitung des Spektrums und Prüfung der Ableitung auf Nulldurchgänge in Richtung negativer Werte),

c) der Betrag der Steigung vor und nach jedem relativen Maxima ebenfalls einen Schwellwert überschreitet (elektronisch realisiert durch Vergleich der ersten Ableitung des Spektrums mit vorgegebenen positiven und negativen, betragsmäßig gleichen Schwellwerten eines Schwellwertschalters mit Hysteresis).

Damit sind die Lagen der spektrallinien-verdächtigen Maxima auf der Frequenzachse bestimmt Eine Aussage darüber, ob es sich bei ihnen tatsächlich um die Spektrallinien eines Vokales handelt, kann erst nach Auswertung ihrer relativen Lage zueinander gemacht werden. Dazu werden jeweils die Abstände benachbarter spektrallinien-verdächtiger Maxima ausgemessen (elektronisch realisiert durch Subtrahierung der Abszissenwerte ihrer Positionen auf der Frequenzachse und Zwischenspeicherung der Differenzwerte) und aufeinanderfolgende Abstände miteinander verglichen (realisiert durch Komparatoren). Stimmen mehr als zwei aufeinanderfolgende Differenzwerte größenmäßig überein (das entspricht mindestens vier aufeinanderfolgenden äquidistanten Spektrallinien) und ^:st dieser gemeinsame Wert nicht kleiner als 75 Hz und nicht größer als ca. 350 Hz (Kompatibilität mit άαη möglichen Werten der menschlichen Sprachgrundfrequenz), können die spektrallinien-verdächtigen Maxima zu Recht als Spektrallinien eines Vokals angesehen werden, und der zugrundeliegende Sprechlaut ist air, Stimmhafter Laut erkannt In dem Teilbereich der Frequenzen, in dem mindestens viet Spektrallinien liegen, die alle aufgezählten Bedingungen erfüllen, konzentriert sich die Energie des analysierten Sprachlautes, weil die Höhen der Spektrallinien alle den Schwellenwert T überragen. Darum handelt es sich bei diesem Bereich um einen Formantbereich des Sprachlaiites. Da die Frequenzlage der Formantbereiche charakteristisch für die einzelnen Vokale der Sprache ist, werden mit dem Erkennen dieser Be^reiche durch das Verfahren nach dem Patentanspruch gleichzeitig unterschiedliche Vokale erkannt.

Liegt ein Rauschspektrum nach F i g. 2 vor, werden zwar ebenfalls spektrallinien-verdächtige Maxima detektiert, soweit sie die Kriterien a), b) und c) erfüllen, jedoch ist der Fall praktisch ausgeschlossen, daß sich in einem solchen statistischen Funktionsverlauf zufälüe

drei aufeinanderfolgende Abstände gleicher Größe finden lassen. Damit ist auch eine Klassifizierung des zugrunde liegenden Rauschsignales als »stimmhaft« bzw. die Lokalisierung von Formantbereichen ausgeschlossen.

Liegt das Spektrum eines sinusförmigen Signales nach F i g. 3 vor, so wird zwar die einzige vorhandene Spektrallinie die Kriterien a), b) und c) erfüllen, und als solche detektiert werden, jedoch finden sich im Spektrum keine weiteren Spektrallinien. Damit ist eine Klassifizierung des sinusförmigen Signales »stimmhaft« mit Sicherheit ausgeschlossen.

Liegt wie in Fig.4 das Spektrum eines Vokales vor. der durch Rauschen überlagert ist, so wird der Rauschanteil des Spektrums zum Teil unter der durch das Kriterium a) vorgegebenen Schwelle T liegen, sofern das Signal-Rausch-Verhältnis nicht zu ungünstige Werte annimmt. Spektrallinien-verdächtige Maxima des Rauschanteiles, die auch das scharfe Flankenkriterium der Bedingung c) erfüllen, werden nur in seltenen Fällen die Äquidistanz der Spektrallinienstruktur stören. Damit wird im wesentlichen nur die ausgeprägte Spektrallinienstruktur des Vokals detektiert und damit das gesamte Spektrum als »stimmhaft« klassifiziert.

Liegt wie in F i g. 5 das Spektrum eines Vokales vor, der durch ein sinusförmiges Signal überlagert ist, so äußert sich das sinusförmige Störsignal durch eine Spektrallinie, die sich irgendwo zwischen den äquidistanten Spektrallinien des Vokals befindet. An dieser Stelle tritt zwar eine Unterbrechung der Äquidistanz auf, die jedoch an der Klassifizierung des Gesamtspektrums als »stimmhaft« nichts ändern kann, sondern höchstens die sichere Lokalisierung eines Formantbereiches behindert

Liegt wie in F i g. 6 das Spektrum eines Vokales vor, der durch einen Vokal einer Fremdstimme überlagert s wird, so werden die Spektraliinien der Fremdstimme das Spektrum der Nutzsprache dann nachhaltig stören, wenn der Signalpegel der Fremdstimme in der gleichen Größenordnung liegt wie der Nutzsprachenpegel. In diesem Falle werden die meisten Spektrallinien der

to Fremdstimme die Kriterien a), b) und c) erfüllen, jedoch wird das Gesamtspektrum nicht mehr aus äquidistanten Linien bestehen. Eine Klassifizierung des Gesamtspektrums als »stimmhaft« ist daher wegen der unregelmäßigen Abstände benachbarter Spektrallinien unmöglich.

Das ist nicht unerwünscht, da die Verteilung der Formanten der Nutzsprache durch die Überlagerung der Fremdstimme erheblich verfälscht wird und so zur Ausgabe eines falschen Lauterkennungsergebnisses führen würde.

Das Verfahren nach dem Patentanspruch schützt somit das Erkennungsergebnis vor Verfälschungen durch Fremdstimmen.

Zusammenfassend läßt sich sagen, daß das Verfahren nach dem Patentanspruch in der Lage ist, in Telefonsprache stimmhafte Laute zu detektieren und die Formantbereiche zu lokalisieren, auch dann, wenn die Telefonsprache von Störungen überlagert ist. Überlagerungen durch Rauschen und sinusförmige Störsigrile bleiben weitgehend wirkungslos. Wenn

allerdings die Störsignale große Ähnlichkeit mit menschlichen Sprachsignalen haben (Linienspektren) wird kein Erkennungsergebnis ermittelt.

Hierzu 3 Blatt Zeichnungen

Claims (1)

1. Patentanspruch;

   Verfahren zur automatischen Verarbeitung von gestörter Telefonspracbe mit dem Ziel ihrer automatischen Erkennung durch die Analyse ihres Spektrums, gekennzeichnet durch die Gesamtheit folgender Verfahrensschritte;