DE3687450T2

DE3687450T2 - Spracherkennungssystem mit genauem erkennungsfunktionieren.

Info

Publication number: DE3687450T2
Application number: DE8686116299T
Authority: DE
Inventors: Toshiba K K Ishii; Toshiba K K Kuge
Original assignee: Toshiba Corp
Current assignee: Toshiba Corp
Priority date: 1985-11-26
Filing date: 1986-11-24
Publication date: 1993-04-29
Anticipated expiration: 2006-11-25
Also published as: CA1298662C; US4873714A; EP0225538B1; EP0225538A1; KR870005336A; KR900009169B1; DE3687450D1; US4949374A

Description

Die vorliegende Erfindung betrifft ein Spracherkennungssystem mit einer Funktion zur genauen Erkennung und insbesondere ein System, das als Dateneingabeeinrichtung dient und eine Funktion zur genauen Erkennung besitzt, die jeglichen Erkennungsfehler ausschalten kann.
Ein herkömmliches Spracherkennungssystem dieser Art umfaßt ein Mikrophon zur Spracheingabe, eine Spracherkennungsschaltung zur Registrierung und Erkennung des Spracheingangssignals vom Mikrophon, eine Zentraleinheit (CPU) zum Lesen eines Erkennungsausgangs aus der Spracherkennungsschaltung und zum Ermöglichen der Übertragung von den Erkennungsdaten entsprechenden Daten über einen Datenbus an einen Sprach- Synthetisator, einen Sprach-Synthetisator zum Empfang der Daten von der CPU und zur Sprachsynthese auf Basis der Daten sowie einen Lautsprecher zur Ausgabe der vom Sprach-Synthetisator synthetisierten Sprache.
Bei diesem System kann der Benutzer Daten eingeben und einen Befehl erteilen, ohne seine Hände zu benutzen, und es erweist sich in der Tat als sehr nützlich, wenn es auf eine Eingabeeinrichtung angewandt wird. Bei diesem System erfolgt jedoch die Bestätigung, ob der Erkennungsausgang der Spracherkennungsschaltung falsch ist oder nicht durch den Ausgang des Sprach-Synthetisators. Hinsichtlich des Sprach-Synthetisators sind nur vorgegebene Sprachmuster einprogrammiert bzw. eingeschrieben, so daß die Spracheingaben seitens des Sprechers gewissen Beschränkungen unterliegen. Da die Eingangssprache nicht immer mit den registrierten Sprachmustern übereinstimmt, ist die Koinzidenz für den Benutzer schwer sicherzustellen. Dies ruft Unsicherheit beim Benutzer hervor. Während des Sprachregistrierungsprozesses muß der Spracheingang in einer vorgegebenen Adreßposition in einem Speicher der Spracherkennungsschaltung registriert werden, womit eine aufwendige Operation verbunden ist.
Da außerdem hinsichtlich eines entsprechenden Wortes oder Satzteils eine Art von Sprachmuster zum Vergleich mit der Spracheingabe registriert ist, wird diese aufgrund der Umgebungsgeräusche und geringfügiger Schwankungen der Spracheingabecharakteristik häufig selbst dann nicht erfolgreich erkannt, wenn der Benutzer selbst spricht. Wenn insbesondere das Spracherkennungssystem als eine Eingabeeinrichtung für eine mobile Station, z. B. ein sich bewegendes Fahrzeug, eingesetzt wird, ist damit zu rechnen, daß die Sprache aufgrund der akustischen Bedingungen in dem eng begrenzten Fahrzeugraum und den auf der Straße herrschenden Verkehrsgeräuschen verändert wird, was zu einer schlechten Erkennungsrate führt.
Wenn das Spracherkennungssystem als Eingabeeinrichtung für Autotelephone verwendet wird, so verfügt der Telephonapparat an sich niemals über eine Spracherkennungsfunktion, so daß es folglich für den Benutzer nicht möglich ist, sich zu vergewissern, ob die Spracheingabe korrekt erkannt ist, es sei denn, sie wird von einer Zentralstation zurückgeschickt.
Die dem Stand der Technik zuzurechnende Veröffentlichung DE-A-31 29 320 beschreibt ein ähnliches Spracherkennungssystem mit Mikrophoneinrichtung, Sprachregistrierungs-/Erkennungsverarbeitungseinrichtung, Lautsprechereinrichtung, Betriebsartanwahleinrichtung und Steuerungseinrichtung.
Des weiteren beschreibt die Veröffentlichung WESCON 83 CONFERENCE RECORD, 8.-11. November 1983, San Franzisko, Seiten 11/41-11/43, Western Periodical Co., North Hollywood, US; D. KEELEY: "Voice recognition is user friendly" (Spracherkennung ist benutzerfreundlich) ein Spracherkennungssystem, das die Sprache eines Benutzers erkennt und stimmlich mit einer aufgezeichneten vom Benutzer kommenden Sprache anspricht.
Es ist eine Aufgabe der vorliegenden Erfindung, einen neuen und verbesserten Telephonapparat mit einer Spracherkennungsfunktion bereitzustellen, die in der Lage ist, Spracheingabe unmittelbar auf Basis von zum Zeitpunkt der Registrierung erstmals registrierten Sprachmustern zu erkennen, und die Spracheingabe in einem Speicher an jeder gewünschten Adreßposition registrieren kann, um so den Bedienungskomfort für den Benutzer sicherzustellen.
Zur Lösung dieser Aufgabe stellt die vorliegende Erfindung einen im Anspruch beschriebenen Telephonapparat bereit.
Diese und weitere Aufgaben und Merkmale der Erfindung werden anhand der folgenden Ausführungsformen und der beiliegenden Zeichnung, die ein Blockdiagramm eines Spracherkennungssystems gemäß einer Ausführungsform der Erfindung darstellt, erläutert.
Als eine Ausführungsform der Erfindung stellt die Figur den Hauptabschnitt eines Spracherkennungssystems dar, das auch bei Beeinträchtigung durch die Art des Sprechens sowie durch die beim Sprechen herrschenden Bedingungen über die Funktion der eindeutigen Erkennung von Sprache verfügt.
Das Spracherkennungssystem umfaßt eine Vielzahl von Spracherkennungsschaltungen 211... 21n und eine entsprechende Anzahl von Schaltungen veränderlicher Charakteristik 251... 25n. Die Spracherkennungsschaltungen 211... 21n sind mit Sprachregisterierungs-RAMs 221... 22n verbunden, in denen eine Vielzahl modifizierter Sprachmuster für jedes Wort oder jeden Satzteil gespeichert sind. Die modifizierten Sprachmuster enthalten als Sprachmerkmale die Größen der Lautstärken, die veränderlichen Längen von Tönen, die Änderung von Tonintervallen, die Heiserkeit oder auf sonstige Weise verstellte Stimmen etc. Die Schaltungen veränderlicher Charakteristik (251... oder 25n) umfassen einen Verstärker (A11... oder A1n) eines unterschiedlichen Verstärkungsfaktors und einer unterschiedlichen Bandpaßcharakteristik, einen Satz von Widerständen (R11 und R21, . . . oder R1n und R2n) mit dem Werteverhältnis 2 : 1 und einen Betriebsarteneinstellschalter (S11... oder S1n), so daß die Sprache, die über das Mikrophon 210 in einem Sprachregistrierungsmodus eingegeben wird, zu einem Variationsmuster verarbeitet werden kann und als solches in der Spracherkennungsschaltung (221... oder 21n) gespeichert wird.
Wenn die Sprache zu registrieren ist, werden die Schaltungen variabler Charakteristik 251... 25n und die Spracherkennungsschaltungen 211... 21n mittels der Betriebsarteinstellschalter S11... S1n in die Sprachregistrierungsmodi gebracht. Wenn in diesem Zustand der Benutzer ein gewünschtes Wort durch das Mikrophon 210 durch Aussprechen des zu erkennenden betreffenden Wortes eingibt, wird das Sprachsignal an die Schaltungen veränderlicher Charakteristik 251... 25n verzweigt, wo die verzweigten Sprachelemente gemäß ihrem Verstärkungsfaktor und ihrer Bandpaßcharakteristik modifiziert werden. Wird beispielsweise das Wort "one" (eins) durch das Mikrophon eingegeben, so werden die Tonmerkmale, wie Lautstärke, Länge, Intervall und Qualität für "one" einer Modifikationsverarbeitung unterworfen. Das heißt, die Schaltungen variabler Charakteristik 251... 25n erzeugen n Arten von Sprachmustern, die sich durch die beliebige Modifikation der Toncharakteristik für "one" ergeben. Das entsprechende Modifikationssprachsignal wird an die Spracherkennungsschaltungen 211... 21n gelegt, so daß es in den Sprachregistrierungs-RAMs 221... 22n gespeichert werden kann. Auf diese Weise werden die Sprachmuster für ein Wort registriert. Die übrigen Wörter und Satzteile werden in genau derselben Weise registriert.
Wenn in diesem System eine Sprachregistrierung vorzunehmen ist, werden die Betriebsarteinstellschalter S11... S1n auf den Sprachregistrierungsmodus REGIST gestellt.
Wenn der Benutzer seinen Text (Sprache) durch das Mikrophon 210 eingibt, wird dieser nach der Verzeigung durch die jeweiligen Schaltungen variabler Charakteristik 251... 25n an die Spracherkennungsschaltungen 211... 21n geliefert, wo die obengenannten Eingangstexte (Sprachelemente) mit den in den entsprechenden RAMs 221... 22n registrierten Sprachmustern verglichen werden. Die Ergebnisse des Vergleichs werden über den Datenbus 230a an die CPU 230 geliefert, wo die Spracherkennungsverarbeitung auf Basis der Vergleichsergebnisse erfolgt. Stimmt beispielsweise die Eingangssprache als Resultat des Vergleichs mit irgendeinem der registrierten Sprachmuster überein, so wird die Eingangssprache aus den Koinzidenzdaten erkannt.
Da gemäß dieser Ausführungsform die Eingangssprache mittels der Spracherkennungsschaltungen 211... 21n mit einer Vielzahl modifizierter Sprachmuster verglichen wird, kann die Spracheingabe mit einer hohen Wahrscheinlichkeit erkannt werden, selbst wenn sie z. B. durch Krankheit des Benutzers oder der Umgebungsgeräusche etwas modifiziert bzw. verfälscht ist.
Selbst denn der Benutzer dieses System in einer mobilen Station, z. B. einem Automobil, verwendet, in dem die Qualität etc. seiner Sprache nachteilig beeinflußt sind, kann die Spracheingabe mit einer hohen Erkennungsrate trotz der ungünstigen akustischen Umgebungsbedingungen und der Geräusche im fahrenden Fahrzeug erkannt werden.
Der Benutzer braucht nur ein Wort oder einen Satzteil in aufeinanderfolgenden Einheiten sprechend durch die Schaltungen variabler Charakteristik 251... 25n, entsprechend den Spracherkennungsschaltungen 211... 21n in gleicher Weise wie bei dem herkömmlichen System einzugeben, wodurch die Sprachregistrieroperation für den Benutzer einfacher ist.
Obwohl eine Vielzahl modifizierter Sprachmuster zur Registrierung durch Verwendung der Schaltung variabler Charakteristik 251... 25n für die Spracherkennungsschaltungen 211... 21n erstellt werden, kann der Benutzer modifizierte Sprachelemente unmittelbar über das Mikrophon 210 eingeben, ohne die Schaltungen variabler Charakteristik heranzuziehen.
Bezüglich der Anzahl und der Arten modifizierter Sprachelemente können deren Registrierungseinrichtung, deren Spracherkennungseinrichtung etc. innerhalb des Grundgedankens und Rahmens der vorliegenden Erfindung geändert oder modifiziert werden.

Claims

Spracherkennungssystem mit:

- einer Mikrophoneinrichtung (210) zum Erzeugen von zu registrierenden oder erkennenden Spracheingangssignalen verschiedener Benutzer,

- einer Spracherkennungs- und Registriereinrichtung (211, 221, 212, 222, . . .), die auf das Spracheingangssignal von der Mikrophoneinrichtung (210) anspricht, um das Spracheingangssignal entweder einer Registrierungs- oder einer Erkennungsverarbeitung zu unterwerfen, wobei nach der Registrierungsverarbeitung das Spracheingangssignal als Erkennungsdaten gespeichert werden kann und nach der Erkennungsverarbeitung das Spracheingangssignal mit den Erkennungsdaten verglichen wird, die gespeichert wurden; und

- einer Zentraleinheit (230), die eine Spracherkennungsverarbeitung aufgrund der Ergebnisse des Vergleichs ausführt,

dadurch gekennzeichnet, daß:

- die Spracherkennungs- und Registriereinrichtung eine Vielzahl von Spracherkennungsschaltungen (211, . . ., 21n) aufweist, die zwischen einer entsprechenden Anzahl von Schaltungen veränderlicher Charakteristik (251, . . ., 25n) und jeweils Sprachregistrierungs-RAMs (221, . . ., 22n) angeordnet sind, in welchen eine Vielzahl modifizierter Sprachmuster für jedes Wort oder jeden Satzteil gespeichert sind, wobei die modifizierten Sprachmuster als die Charakteristiken der Sprache die Größen der Lautvolumen, die veränderlichen Längen von Lauten, die Veränderungen von Lautintervallen, die Heiserkeit oder sonst maskierte Stimmen sind, und

- die Schaltungen (251, . . ., oder 25n) veränderlicher Charakteristiken einen Verstärker (A11, . . . oder A1n) eines unterschiedlichen Verstärkungsfaktors und einer unterschiedlichen Bandpaßcharakteristik, einen Satz von Widerständen (R11 und R21, . . . oder R1n und R2n) und jeweils einen Betriebsartbezeichnungsschalter (S11, . . . oder S1n) umfassen, um die Sprache, die über das Mikrophon (210) in einer Sprachregistrierungsbetriebsart eingespeist ist, als ein Variationsmuster vorbereiten zu lassen, so daß sie als solche in dem Sprachregistrierungs-RAM der entsprechenden Spracherkennungsschaltung (211, . . . oder 21n) gespeichert wird, wobei:

- wenn ein Benutzer seine Sprache durch das Mikrophon (210) eingibt, diese jeweils über die Schaltungen (251, . . ., 25n) veränderlicher Charakteristik zu den Spracherkennungsschaltungen (211, . . ., 21n) gespeist wird, wo die eingegebenen Sprachen mit den Sprachmustern verglichen werden, die in den jeweiligen Sprachregistrierungs-RAMs (221, . . ., 22n) registriert wurden.