DE3101851C2

DE3101851C2 - Vorrichtung zum Erkennen von Sprache

Info

Publication number: DE3101851C2
Application number: DE3101851A
Authority: DE
Inventors: Nobuo Hachioji Tokyo Hataoka; Akira Kichijouji Tokyo Ichikawa; Yoshiaki Sayama Saitama Kitazume; Eiji Hachiouji Tokyo Ohira
Original assignee: Hitachi Ltd
Current assignee: Hitachi Ltd
Priority date: 1980-01-23
Filing date: 1981-01-21
Publication date: 1984-05-30
Also published as: JPH0121519B2; JPS56104399A; DE3101851A1; US4401849A

Abstract

Es wird ein Verfahren zur Sprachabtastung angegeben, bei dem ein Autokorrelationskoeffizient nullter Ordnung und ein partieller Autokorrelationskoeffizient erster Ordnung aus einem angelegten Sprachsignal bei jedem festen Extraktionsintervall herausgezogen werden; wenn entweder ein erster Zustand, bei dem der Autokorrelationskoeffizient nullter Ordnung größer ist als ein vorgegebener erster Schwellwert, oder ein zweiter Zustand, bei dem der Autokorrelationskoeffizient nullter Ordnung größer ist als ein vorgegebener zweiter Schwellwert und außerdem der partielle Autokorrelationskoeffizient erster Ordnung kleiner ist als ein vorgegebener dritter Schwellwert, im wesentlichen über eine vorgegebene Anzahl von Extraktionsintervallen angedauert hat, wird bestimmt, daß ein Startpunkt des Sprachsignales abgetastet worden ist. Wenn ein Zustand, der weder dem ersten Zustand noch dem zweiten Zustand entspricht, im wesentlichen über eine vorgegebene Anzahl von Extraktionsintervallen angedauert hat, wird entschieden, daß ein Endpunkt des Sprachsignales abgetastet worden ist, so daß das Intervall der Existenz eines Sprachsignales abgetastet wird.

Description

Die Erfindung betrifft eine Vorrichtung zum Erkennen von Sprache, mit einer Einrichtung, die aus dem Eingangssignal in jedem festen Abtastintervall den Autokorrelationskoeffizient nullter Ordnung sowie einen weiteren AutokorrelationEkoeffizient ableitet

Bislang hat man bei der Abtastung eines Eingangssprachsignals als kennzeichnende Größen für den Bereich der Existenz dieses Eingangssprachsignals im wesentlichen die Leistungsinfcitnation des Spracheingangssignales verwendet und außerdem sind die Nulldurchgangs- Information des Eingangssprachsignals oder dergleichen empirisch verwendet worden.

jo Ein Verfahren, bei dem die Nulldurchgangsinformation ausgenutzt wird, verwendet die Tatsache, daß die _. Anzahl von Zeitpunkten» zu denen ein Nulldurchgang stattfindet, größer ist als bei stimmlosen Konsonanten,

tf welche große Hochfrequenzanteile haben, als bei stimmhaften Lauten und Geräuschen, die große niederfre-

p! quente Anteile haben. Wenn jedoch die Verteilung der entsprechenden Anzahlen von Zeitpunkten der NuIl-

j:f durchgänge von stimmlosen Konsonanten, stimmhaften Lauten und Rauschen untersucht wird, so besteht in

i}| 35 vielen Teilen eine Koinzidenz acr Anzahl von Zeitpunkten miteinander, und es ist schwierig, eine Klassifizierung

jj hoher Präzision zu erreichen, indem man die Anzahl von Zeitpunkten der Nulldurchgänge verwendet.

M Aus IEEE Transactions on Audio and Electroacoustics 20, Nr. 5/1972), S. 367, ist ein Verfahren bekannt, bei

(H dem ein als SIFT (simplified inverse filter tracking) bezeichneter Algorithmus benutzt wird. Unter Verwendung

Il des Autokonditionskoeffizienten erster Ordnung wird die Grundfrequenz der Sprache besiimmt. Bei diesem

(| 40 Verfahren wie auch bei den anderen herkömmlichen Verfahren war es schwierig, die stimmlosen Konsonanten

H »s« und »h« am Anfangspunkt und Endpunkt eines Eingangssprachsignales abzutasten. Somit wurde der

Schwellwert bei der Entscheidung verringert, um die Abtastempfindlichkeit zu erhöhen. Infolgedessen hat sich das Problem ergeben, daß z. B. das Geräusch oder Rauschen eines Raumes als Eingangssprachsignal angesehen und irrtümlich abgetastet wird. In dem Falle, wo die Sprache durch ein herkömmliches Telefon empfangen wird, neigen Umgebungsgeräusche einschließlich der Raumgeräusche oder dergleichen, dazu, sich mit der Sprache zu vermischen, da das Telefon keine Richtverstärkung besitzt, und es ist ein sehr wesentlicher Gesichtspunkt, zwischen dem Eingangssprachsignal und dem Umgebungsgeräusch zu unterscheiden.

Aufgabe der Erfindung ist es, eine Vorrichtung zum Erkennen von Sprache anzugeben, die kennzeichnende Größen verwendet, die in Abhängigkeit von einem Eingangssprachsignal und Umgebungsgeräuschen ungleiche Werte haben, um damit die sonst auftretenden Schwierigkeiten auszuräumen.

Diese Aufgabe wird bei der in Rede stehenden Vorrichtung durch die im Kennzeichen des Patentanspruchs 1 genannten Merkmale gelöst.

Die Erfindung berücksichtigt die Tatsache, daß die Differenz der allgemeinen Formen der Frequenzspektren eines stimmlosen Konsonanten und Umgebungsgeräusch in einem Eingangssprachsignal beim Wert des partiellen Autokorrelationskoeffizienteti erster Ordnung auftritt. Es werden der partielle Autokorrelationskoeffizient erster Ordnung und die oben beschriebene Leistungsinformation (Autokorrelationskoeffizient nullter Ordnung) als kennzeichnende Größen verwendet. Genauer gesagt, der partielle Autokorrelationskoeffizient erster Ordnung und der Autokorrelationskoeffizient nullter Ordnung, die aus einem Eingangssprachsignal herausgezogen werden, werden mit vorgegebenen Schwellwerten verglichen, um dadurch zwischen wahrem Eingangssprachsignal und Umgebungsgeräusch zu unterscheiden.

Die Erfindung wird nachstehend anhand der Zeichnung (Fig. I bis 3) näher erläutert. Die Zeichnung zeigt in F i g. 1 ein Diagramm zur Erläuterung des Prinzips in dem Falle, wo die Art des Eingangssprachsignals unter Verwendung der erfindungsgemäßen Vorrichtung bestimmt wird;

F i g. 2 das Blockschaltbild einer Ausführungsform der Vorrichtung nach dem Patentanspruch 1 und in
b'. Fig. 3 ein Diagramm zur Erläuterung von experimentellen Daten zu der Zeit, wo ein Sprachintcrvall unter Verwendung der Vorrichtung nach dem Patentanspruch 1 abgetastet wird.

Wie an sich bekannt, haben übliche stimmlose Konsonanten Frequenzspektren. die die Eigenschaft der Betonung eines Hochfrequenzbereiches haben, wobei die Anteile in einem Hochfrequenzbereich von i bis

31 Ol 851

10 kHz vergleichsweise groß sind.

Andererseits haben übliche Umgebungsgeräusche eine geringe Leistung, aber ihre Frequenzeigenschaften sind die Eigenschaften der Betonung eines Niederfrequenzbereiches, wobei Gradienten in der Größenordnung von —9 dB/oct haben, so daß die Leistung mit —9 dB bei jeder Frequenzverdopplung abgeschwächt wird.

Stimmhafte Laute, wie z. B. Vokale, haben die Frequenzeigenschaft der Betonung des Niederfrequenzbereiches in ähnlicher Weise wie übliches Umgebungsgeräusch, jedoch haben sie eine höhere Leistung verglichen mit dem Umgebungsgeräusch.

Wenn die Unterschiede der Charakteristika oder Eigenschaften verwendet werden, so ist die Abtastung eines Sprachintervalles möglich, indem man die Sprachsignale wie folgt klassifiziert:

(i) Wenn ein Sprachsignal zum Niederfrequenzbetonungsbereich gehört und mindestens eine vorgegebene

Leistung ft hat, ist es ein stimmhafter Laut,
(ii) Wenn ein Sprachsignal zum Niederfrequenzbetonungsbereich gehört und seine Leistung unterha'.b der

vorgegebenen Leistung ft liegt, ist es ein Umgebungsgeräusch,
(iii) Wenn ein Sprachsignal zum Hochfrequenz-Betonungsbereich gehört, ist es ein stimmloser Konsonant, unabhängig von dem Wert oder der Größe der Leistung.

Hierbei besteht in dem Falle, wo ein Sprachsignal mit einer extrem niedrigen Leistung abgefastet worden ist, obwohl es die Eigenschaft des Hochfrequenz-Betonungsbereiches aufweist, die Möglichkeit, daß ein Sprachsignal, das kein stimmloser Konsonant ist, wegen eines Rechenfehlers bei der Abtastung des Sprachintervalles oder dergleichen vermischt wird. Wenn die Leistung unterhalb von θ\ ist, wobei θ\ < ft Tilt, so muß das abgetastete Sprachsignal ausgeschlossen werden.

Nachstehend wird das Prinzip der Erfiniiang näher erläutert, gemäß dem die oben angegebene Klassifizierung vorgenommen wird, indem man den partiellen Autokorrelationskoeffizienten erster Ordnung und den Autokorrelationskoeffizienten nullter Ordnung (Leistungsinformation) verwendet.

Der Einfachheit halber wird bei der nachstehenden Beschreibung ein Eingangssprachsignal in ein Signal mit einer einzigen Frequenz umgeformt.

Der partielle Autokorrelationskoeffizient erster Ordnung (k\) wird mittels Gleichung (1) aus dem Auiokorrelationskoeffizienten nullter Ordnung (vo) und dem Au'okorrelationskoeffizienten erster Ordnung (v\) errechnet:

Jti = V₁/ V₀. (1)

Die Kreisfrequenz ω, zu der die Abtastfrequenz fs des Eingangssprachsignals unter Verwendung von 2 π normiert wird, wird berücksichtigt, und das Eingangssprachsignal ist beispielsweise durch die nachstehende Gleichung (2) gegeben:

f(t) = A sin (ω t + Φ) (2).

Zu diesem Zeitpunkt haben v₀ und vi folgende Werte:

7

H. = -γ, (3)

ν, - 4j- · cosa.T₅. (4)

£

Aus den Gleichungen (3) und (4) ergibt sich
k\ = cos ω Ts (5),

wobei Ts = 11fs gilt.
Wenn hierbei die Faltfrequenz fn, die gegeben ist durch die halbe Abiastfrequepz />, wenn also gilt

fn = fsll Σ 2 ,τ/2 = π,

der Frequenzbandbreite BWdes Eingangssprachsignales entspricht, so gelten

(I) für -2- < BM < π (auf der Hochfrequenzseite),

2 w)

-1 < Jk₁ < 0

(II) für 0 < BW < — (auf der Niederfrequenzseite),

C < k_x < 1.

Andererseits ist v₀ eine Größe, die der Leistung entspricht und immer positiv ist.

31 Ol 851

Aus der obigen Untersuchung ergibt sich, daß k] eines Sprachsignales, dessen Hochfrequenzanteil intensiv ist, dicht an (—1) herankommt, während k\ eines Sprachsignales, dessen Niederfrequenzanteil intensiv ist, dicht an (+1) herankommt.

Es konnte experimentell verifiziert werden, daß auch in dem Falle, wo das Band erheblich begrenzt ist. wie z. B. beim Telefon, k\ < 0.7 für die stimmlosen Konsonanten »s« und »h« gilt, während k\ > 0,7 für Umgebu. -■ ;-geräuschegilt.

Durch Auswertung der Eigenschaften von /ri in der oben beschriebenen Weise und der Tatsache, daß normalerweise die Signalkomponente eine größere Leistung als die Rauschkomponente hat, können dementsprechend Eingangssprachsignale in die Gruppen (i)—(iii) klassifiziert werden.

Die Abtastung von Anfang und Ende des Eingangssprachintervalles, kann, unter Berücksichtigung der Klassifizierungen (i)—(iii), beispielsweise folgendermaßen erfolgen:

θ\. 6*2 vorgegebene Schwellwerte hinsichtlich der Leistung (&2 > θ\).

ό vorgegebener Schwellwert hinsichtlich des partiellen Autokorrelationskoeffizienten erster Ord-

nung (im allgemeinen wird er auf Werte gesetzt, die sich in Abhängigkeit von dem Wert der

Leistung ändern), Tsh, Ti. Tr vorgegebene Schwellwerte für die Zeit.

(Γ) v„ > (-h. >o (2') V₀ > 6>,(6>_? > 6>,)und fci < Λ

Wenn ein Zustand, der den Beziehungen (Γ) oder (2') genügt, zumindest für das Zeitintervall Tsh kontinuierlich oder unterbrochen gilt, wird bestimmt, daß ein Eingangssprachintervall begonnen hat. Wenn ein Zustand, der weder der Beziehung (1') noch (2') genügt, für mindestens das Zeitintervall T/ kontinuierlich oder unterbrochen gilt, wird entschieden, daß das Eingangssprachintervall beendet ist. Somit wird das Eingangssprachintervall abgetastet.

In dem Falle, wo der Zustand unterbrochen oder in einer Ein-Aus-Weise gilt, wird der Aus-Zustand als nicht existent betrachtet, wenn er für eine kürzere Zeitspanne als Ti andauert.

Fig. 1 zeigt Einstellbeispielc für die Schwellwerte θ\, ft und rfzur Bestimmung der Arten von Sprachsignalen jo auf der Basis der Werte von v₀ und k, sowie Bereiche, in denen die entsprechenden Sprachsignale und Umgebungsgeräusche in Abhängigkeit von den Schweilwerten abgetastet werden.

In Fig. 1 entspricht ein Bereich I dem Typ (iii) und gibt an, daß das Eingangssprachsignal ein stimmloser Konsonant ist, während ein Bereich H dem Typ (i) entspricht und angibt, daß das Eingangssprachsignal ein stimmhafter Laut ist. Ein Bereich III entspricht dem Typ (ii) und gibt an, daß das Eingangssprachsignal ein Umgebungsgeräusch einschließlich von Raumrauschen und zufälligem Rauschen aufgrund des Rechenfehlers bei der Abtastung eines Sprachintervalles oder dergleichen ist. Experimentell wurde verifiziert, daß normalerweise erwünscht ist, <Jin Abhängigkeit von v_ü zu variieren, mit anderen Worten, t/äis Funktion von vo einzustellen, also ό = ό(ν₀). Im Falle von einigen Eingangssprachsignalen, kann diese Größe auch auf einen festen Wert eingestellt werden, z. B. auf J= 0.7.

Ein tatsächliches Eingangssprachsignal hat nicht eine einzige Frequenz, sondern hat eine Wellenform, bei der eine Vielzahl von Frcquenzanteilen kombiniert ist. Somit können die Summen der Leistungswerte und der Autokorrelationskoeffizieiuen erster Ordnung der entsprechenden Frequenzanteile als Koeffizienten vobzw. vi vorwendet werden, um den partiellen Autokorielationskoeffi/.icnten erster Ordnung aus A'i = v\i vo zu ermitteln.

Genauer gesagt, wenn man annimmt, daß das Frequenzband des Eingangssprachsignals /iri(Hz) ist. so wird die Wellenform des tatsächlichen Eingangssprachsignals ungefähr durch nachstehende Gleichung ausgedrückt:

.v
/(O = Z^sini/iüv+ <i>„), (6)

wobei OJr₁ = 2 .τ fo und /Vdie Anzahl der Frequenzanteile bedeuten.

Aus dieser Gleichung lassen sich die Werte v₀ und v, in den Gleichungen (3) und (4) folgendermaßen ausdrükken:

Tf

U) = — /(j)² at (T_F: Länge eines Rahmens);

7r J

(7)

_L f

/ U) ■ f (t + T_s) d t (T₅: Abtastperiode). (8)

r Σ < ^cos " ^ωο ¹ -- ι

31 Ol 851

Dementsprechend wird der Wert k\ folgendermaßen berechnet:

/v

Σ al cos η ω₀Τ

*,--ä-- JLH . (9)

H) JV

σ-;

n-l

Im i-'alle von Telefonsprachsignalen beträgt das Frequenzband üblicherweise etwa 150 bis 4000 Hz, und somit kann die Abtastfrequenz auf fs = 8000 Hz eingestellt werden. Dementsprechend beträgt die Abtastperiode T_s= l/s=. 125 μβ.

Die Länge eines Rahmens sollte auf einen geeigneten Wert eingestellt werden, zweckmäßigerweise so, daß er kurz für einen Laut abrupter Änderung ist, wie z. B. Verschlußlaute, während er lang ist für einen Laut langsamer Änderung, wie z. B. eine sprechende Stimme mit geringer Intonation. Üblicherweise wird er auf etwa 5 ms bis 20 ms eingestellt.

Nachstehend wird die Erfindung anhand eines Ausführungsbeispicls niiher erläutert. Fig.2 zeigt das Blockschaltbild einer Ausführungsform der in Rede sichenden Vorrichtung.

Ein Eingangssprachsignal 1 geht durch einen Tiefpaßfilter 2 hindurch, um reflektiertes Rauschen zu verhindern, und wird mit einem Analog/Digital-Wandler 3 in digitale Daten umgewandelt, wobei die digitalen Daten an einen Eingangspufferspeicher 4 angelegt werden. Der Eingangspufferspeicher 4 hat einen Doppelpufferaufbau, der aus zwei Speicherbereichen 4-1 und 4-2 besteht, die jeweils einer Rahmenperiode entsprechende Daten speichern. Während Daten an den einen Bereich, z. B. den Speicherbereich 4-2, angelegt werden, wird eine vorgegebene Verarbeitung für bereits angelegte Daten im anderen Bereich, z. B. dem Speicherbereich 4-1 durchgeführt.

Mit einem von einer Steuerung 5 erzeugten Steuersignal werden die Daten innerhalb des Speicherbereiches 4-1 z. B. in der angelegten Folge zu einem Register 6 übertragen.

Zu dieser Zeit werden Daten, die an das Register 6 eine Abtastperiode eher angelegt worden sind, zu einem Register 7 übertragen.

Die mit Db bezeichneten Daten, die im Register 6 gespeichert sind, und die mit Di bezeichneten Daten, die im Register 7 gespeichert sind, werden jeweils an Multiplizierer 8 und 9 angelegt. Das vom Multiplizierer 8 gelieferte Multiplikationsergebnis D₆ ■ Dt wird zum Inhalt eines Akkumulators 10 hinzuaddiert, während das vom Multiplizierer 9 gelieferte Multiplikationsergebnis Db ■ A zum Inhalt eines Akkumulators 11 hinzuaddiert wird.

Wenn die obigen Rechenvorgänge für sämtliche Daten innerhalb des Speicherbereiches 4-1 beendet sind, sind die Operationen der Integrale in den Gleichungen (7) und (8) in den Akkumulatoren 10 bzw. 11 ausgeführt. Im Akkumulator 10 ist als 7>fache des Autokorrelationskoeffizienten nullter Ordnung vo entsprechend der Leistungsinformation für die Daten (vo ■ 7>) erhalten worden, während im Akkumulator 11 das 7>fache des Korrelationskoeffizienten erster Ordnung V| mit (v\ ■ Ty) erhalten worden, ist. Da Tr eine Konstante ist, ist es nicht erforderlich, die erhaltenen Werte speziell durch 7>zu teilen, wenn die Schwellwerte θ\, ft vorher mit 7> multipliziert werden. Wie sich aus Gleichung (9) ergibt, bleibt k\ auch dann unverändert, wenn 7}.· im Zähler und Nenner enthalten ist, und somit tritt kein Problem auf. Nachstehend wird der mit Tf multiplizierte Wert als VO oder Vi in der Erläuterung berücksichtigt werden.

Die Ausgangsdaten vom Akkumulator 10 werden in einem Speicher innerhalb der Steuerung 5 gespeichert und dienen gleichzeitig als Ausleseadresse für einen ROM 14. Das Ausgangssignal wird im ROM 14 in seinen Kehrwert l/v₀ umgewandelt und dient als Multiplikator eines Multiplizierers 15. Im Multiplizierer 15 wird dieses Ausgangssignal mit dem Wert 1 / vo zum partiellen Autokorrelationskoeffizienten erster Ordnung Ai multipliziert, der in einem Register 16 gespeichert und anschließend im Speicher in der Steuerung 5 gespeichert wird.

Anschließend werden aus den Daten in der nächsten Rahmenperiode die Koeffizienten vo und k\ für diese Rahmenperiode mit demselben Verfahren wie oben beschrieben berechnet. Sie werden im Speicher innerhalb der Steuerung 5 gespeichert

Danach wird in der gleichen Weise ein Satz von Koeffizienten V₀ und it, bei jeder Rahmenperiode berechnet, und derartige Sätze von Koeffizienten werden nacheinander im Speicher innerhalb der Steuerung 5 gespeichert. Eine Reihe von Steuersignalen, die für die oben beschriebenen Rechenvorgänge erforderlich sind, werden alle von der Steuerung 5 geliefert Der Einfachheit halber ist jedoch nur der Fluß der Daten in F i g. 2 dargestellt während die Steuersignale in der Zeichnung weggelassen sind.

Nachstehend wird ein konkretes Ausführungsbeispiel der Vorgänge zum Abtasten von Start und Ende eines Eingangssprachintervalles unter Verwendung der Koeffizienten v₀ und h beschrieben, die aus den jeweiligen Rahmenperioden ermittelt worden sind.

(A) Start des Sprachintervailes:

© V₀ > ft

® V₀ > 0i (ft > 6>i) und it, < 0,7.

Wenn den Beziehungen ©oder ©genügende Rahmen für mindestens Ts = 50 ms kontinuierlich b5 gelten, wird bestimmt, daß ein Eingangssprachintervall begonnen hat.

Auch dann jedoch, wenn der Zustand, in dem die Bedingung kontinuierlich erfüllt ist, unterbrochen wird, wird die Unterbrechung als nicht-existent angesehen, wenn der oder die unterbrochenen Rahmen

31 Ol 851

kürzer sind als T) = 30 ms.
(B) Ende des Sprachintervalles:

0vi<ft und k\ > 0,7

Wenn d'".n Beziehungen©oder©genügende Rahmen für mindestens T)- = 300 ms kontinuierlich gelten, wird bestimmt, daß das Eingangssprachintervall beendet ist.

ίο Auch dann jedoch, wenn der Zustand, in dem die Bedingung kontinuierlich erfüllt ist, unterbrochen wird, wird die Unterbrechung als nicht-existent angesehen, wenn der oder die unterbrochenen Rahmen kürzer sind als T) = 30 ms.

ft und ft im Falle (B) können gleich ft b/w. ft im Fall (A) gemacht werden, oder sie können in die Relation ft = ft und ft = ft gebracht werden. Der Schwcllwcrt rffür den Koeffizienten k\ ist auf 0,7 gesetzt worden, da sich dieser Wert experimentell als der optimale Schwellwert erwiesen hat, um zu bestimmen, ob die Eingangssprachsignale, auf welche sich die Ausführungsform bezieht, stimmlose Konsonanten oder Umgebungsgeräusche sind.

Die auf die Vergleichsvorgänge gerichteten Entscheidungen werden mittels eines speziellen Prozessors innerhalb der Steuerung 5 in Fig. 1 durchgeführt, z. B. mit einem Mikroprozessor oder dergleichen. Lediglich der Vollständigkeit halber darf darauf hingewiesen werden, daß Änderungen der Schwellwerte hinsichtlich der Koeffizienten v_n und k\, der Zeit bzw. der Anzahl von Rahmen oder dergleichen, Änderungen der Entscheidungsvorgänge, Hinzufügen eines neuen Entscheidungskriteriums usw. gewünschtenfalls entsprechend den Änderungen in dem Umgebungsbedingungen vorgenommen werden können.

Außerdem kann nach der Abtastung des Sprachintervalles und Feststellen des Vorliegens eines Sprachsignals mit der in Rede stehenden Vorrichtung eine Erkennungsverarbeitung, bei der die abgetastete Sprache mit einem Standardmuster verglichen wird, mit dem Mikroprozessor in der Steuerung 5 durchgeführt werden, indem man z. B. ein dynamisches Programmierverfahren verwendet.

F i g. 3 zeigt ein Diagramm zur Erläuterung der Zeitänderungen der Koeffizienten v₀ und k\ eines Eingangssprachsignais »Shisutemuken« sowie des Umstandes, daß der Startpunkt und der Endpunkt des Sprachsignales abgetastet werden können, indem man die Schwellwerte für Vo auf öi (= ft) und ft (= ft) einstellt.

Aus F i g. 3 läßt sich entnehmen, daß mit dem herkömmlichen Verfahren nur unter Verwendung von V₀, wenn

der vorgegebene Wert auf ft eingestellt wird, die Abtastung von »sh« unmöglich ist, da θ\ < v₀ < ft in einem

Teil gilt, der »sh« als Startpunkt des Sprachsignals entspricht, während dann, wenn der vorgegebene Wert auf ft verringert wird, um »sh« abtastbar zu machen, zu befürchten ist, daß eine Verwechslung mit Umgebungsgeräusehen auftritt.

Wenn im Gegensatz dazu der Koeffizient k\ gemäß der Erfindung zusätzlich verwendet wird, gilt für den Teil »sh« die Beziehung k\ < J, und somit ist die Bedingung der Beziehung ©im Falle (A) erfüllt; außerdem überschreitet die Dauer des Eingangssprachsignales, das die Bedingung gemäß Beziehung ©oder ©im Fall (A) erfüllt, den vorgegebenen Schwellwert Ts. so daß der Startpunkt korrekt abgetastet wird.

In einem Zwischenteil, der »te« entspricht, gelten die Beziehungen v₀ < ft und k\ > ό, und somit sind beide Beziehungen © und © im Fall (B) erfüllt. Da jedoch die Dauer eines solchen Zustandes kürzer ist als der vorgegebene Schwdlwert T/, wird dieser Zustand als zeitweilige Unterbrechung, nicht aber als Ende des Sprachsignales verarbeitet.

Wenn der Endpunkt des Sprachsignales erreicht worden ist, sind beide Beziehungen © und © im Fall (B) erfüllt, und die Dauer dieses Zustandes überschreitet den vorgegebenen Schwellwert Te, so daß der Endpunkt korrekt abgetastet wird.

(u) ist stimmlos, und wird infolgedessen weggelassen.

Die Abtastung des Sprachintervalles erfolgt unter Bezugnahme auf die Zeitpunkte, bei denen der Startpunkt und der Endpunkt bestimmt worden sind, wenn sie zunächst die Bedingungen (A) bzw. (B) erfüllen. Im Falle der Anwendung der in Rede stehenden Vorrichtung auf die Spracherkennung wird zu dem Zeitpunkt, wo die Bedingung ©oder ©in (A) erfüllt ist, eine Erkennungsoperation dadurch ausgelöst, daß das Eingangssignal als Kandidat für den Startpunkt des Sprachsignals angesehen wird, und wenn der fortgesetzte Zustand der Bedingung in einer kürzeren Zeitspanne als Ts beendet ist, können die bis dahin vorgenommenen Vorgänge zur Erkennung annuliert werden. Somit kann der Nachteil einer Abtastverzögerung vermieden werden. Wie oben dargelegt, können bei Verwendung der in Rede stehenden Vorrichtung sogar stimmlose Konsonanten beim Startpunkt und Endpunkt eines Eingangssprachsignales korrekt abgetastet werden, ohne daß eine Vermischung oder Verwechslung mit Umgebungsgeräuschen stattfindet. Somit kann die Abtastgenauigkeit eines Sprachintervalles erheblich gesteigert werden, was beträchtlichen praktischen Nutzen mit sich bringt.

Hierzu 3 Blatt Zeichnungen

S 05

Claims

31 Ol 851 Patentansprüche:

1. Vorrichtung zum Erkennen von Sprache, mit einer Einrichtung (1... 4,6... 16), die aus dem Eingangssigna] in jedem festen Abtastintervall den Autokorrelationskoeffizient nullter Ordnung sowie einen weiteren Autokorrelationskoeffizient ableitet, gekennzeichnet durch eine Einrichtung(5), die den Autokorrelationskoeffizient nullter Ordnung (v₀) und den partiellen Autokorrelationskoeffizient erster Ordnung (k\) mit vorgegebenen Schwellenwerten (θ\, ft, d) vergleicht und ein das Vorliegen von Sprache angebendes Erkennungssignal dann erzeugt, wenn der Zustand, daß v₀ > Θ-, ist, oder der Zustand, daß v_o> θι> θ\ und k\ > rf ist, kontinuierlich oder intermittierend Ober eine vorgegebene Anzahl aufeinanderfolgender ALtastintervalle andauert.

2. Vorrichtung nach Anspruch 1, dadurch gekennzeichnet, daß die Einrichtung (5) ein den Startpunkt eines Sprachintervalls anzeigendes Signal abgibt, wenn mindestens einer der ersten und zweiten Zustände kontinuierlich oder intermittierend wenigstens über eine vorgegebene Anzahl von Abtastintervallen angedauert hat

3. Vorrichtung nach Anspruch I, dadurch gekennzeichnet, daß die Einrichtung (5) ein den Endpunkt eines Sprachintervalls anzeigendes Signal abgibt, wenn der Zustand, bei dem weder der erste Zustand noch der zweite Zustand erfüllt sind, kontinuierlich oder intermittierend wenigstens über eine vorgegebene Anzahl von Abtastintervallen angedauert hat.