-
Die
Erfindung bezieht sich auf ein Spracherkennungssystem, das Folgendes
umfasst:
einen Eingang zum Empfangen eines Sprache darstellenden
Signals und
eine Erkennungseinheit zum Erkennen des Signals und
Darstellen des erkannten Signals als Wort/Wörter, wobei die Erkennungseinheit
einen im Buchstabiermodus arbeitenden Erkenner zum Erkennen zumindest
eines Teils des Sprachsignals durch
- – Vergleichen
des Teils des Signals mit einem Buchstabierdaten-Datenbestand, der
eine Darstellung einer Vielzahl von Buchstabierreferenzwörtern umfasst,
und
- – Identifizieren
für den
Teil des Signals eines einzelnen Buchstabierzeichens, das einem
der Buchstabierreferenzwörter
mit der höchsten Wahrscheinlichkeit
zugeordnet ist.
-
Ein
derartiges Spracherkennungssystem von Philips befindet sich unter
dem Namen FreeSpeech98 auf dem Markt. Dieses System gestattet es
dem Benutzer, Wörter
zu buchstabieren, um Erkennungsprobleme zu umgehen, die beispielsweise
auftreten können,
wenn ein Wort nicht in dem aktiven Lexikon existiert oder falsch
erkannt wird. Der Benutzer kann buchstabieren, indem er die einzelnen Buchstaben
des Alphabets ausspricht. Da die Erkennung von gesprochenen einzelnen
Buchstaben schwierig ist (die Äußerungen
sind kurz und liegen manchmal phonetisch nahe beieinander), gestattet es
das bekannte System dem Benutzer auch, mit Hilfe von Buchstabierwörtern aus
dem internationalen Buchstabieralphabet (Alpha, Bravo, Charlie ...)
zu buchstabieren. In dem für
das Buchstabieren verwendeten Lexikon sind die jeweiligen Buchstabierwörter des
internationalen Alphabets einer Textdarstellung zugeordnet, die
dem ersten Buchstaben des Buchstabierwortes entspricht. Als Beispiel
ist das Buchstabierwort „Alpha" mit der Textdarstellung „a" verknüpft. Die
ersten Buchstaben der jeweiligen Buchstabierwörter der Folge von durch den
Benutzer gesprochenen Buchstabierwörtern werden dann kombiniert
und bilden das buchstabierte Wort. Wenn sich die Erkennungseinheit
im Buchstabiermodus befindet, kann beispielsweise der Name „Philips" buchstabiert werden,
indem die Wörterfolge „Papa Hotel India
Lima India Papa Sierra" ausgesprochen
wird.
-
Die
Verwendung des internationalen Alphabets ermöglicht zwar die genaue Erkennung
der Buchstabierwörter
und somit ein genaues Buchstabieren, viele Personen sind jedoch
mit diesem Buchstabieralphabet nicht vertraut.
-
Der
Erfindung liegt die Aufgabe zugrunde, ein System der erwähnten Art
mit einem flexibleren Buchstabiermodus zu schaffen.
-
Zur
Lösung
der Aufgabe der Erfindung schafft die Erfindung ein System wie in
Anspruch 1 definiert. Auf diese Weise wird dem Benutzer eine Auswahl
an Wörtern
geboten, die er zum Buchstabieren verwenden kann. Es ist offensichtlich,
dass das System im Buchstabiermodus immer noch die Möglichkeit
bieten kann, durch das Aussprechen einzelner Buchstaben zu buchstabieren.
Zum Erkennen von aus einzelnen Buchstaben bestehenden Wörtern ist
eventuell der Einsatz eines optimierten Erkenners für einzelne
Buchstaben zusätzlich
zu einem Erkenner zum Erkennen von aus mehreren Buchstaben bestehenden
Buchstabierwörtern
erforderlich.
-
Des
Weiteren werden zumindest einige der Buchstabierwörter einfach
aus dem Diktierdaten-Datenbestand entnommen oder von dem Buchstabierdaten-Datenbestand
und dem Diktierdaten-Datenbestand gemeinsam genutzt. Der Datenbestand
der Buchstabierwörter
kann ein Teilsatz des Diktierdatenbestands sein. Ist der Buchstabierdatenbestand
wesentlich eingeschränkter
als der Diktierdatenbestand, nimmt die Genauigkeit der Erkennung
des Buchstabierwortes zu. Als Alternative kann der Satz mit Wörtern in
den Beständen
sogar im Wesentlichen gleich sein. Dadurch hat der Benutzer die
volle Freiheit, fast jegliches Wort zum Buchstabieren zu verwenden. Der
Buchstabierdatenbestand kann gewisse Wörter (oder die einzelnen Buchstabierzeichen)
wie „Sierra" und „Lima" enthalten, die eventuell
in einem aktiven Diktierdatenbestand nicht existieren.
-
Vorzugsweise
werden die Buchstabierwörter vom
Benutzer gesteuert ausgewählt.
Auf diese Weise kann der Benutzer ein bevorzugtes (und leicht zu merkendes)
Buchstabieralphabet zusammenstellen. Der Benutzer kann in diesem
Fall vorzugsweise zumindest einige der Wörter in dem Buchstabierdatenbestand
auswählen.
Das System kann dann auf ein Wort hin überprüfen, das der Benutzer hinzufügen möchte, und
daraufhin, ob sich das Wort ausreichend von anderen Wörtern unterscheidet,
die sich bereits in dem Buchstabierdatenbestand befinden und mit einem
anderen Buchstaben beginnen. Ist dies nicht der Fall, kann das System
eine Warnung ausgeben oder sich weigern, ein derartiges Wort hinzuzufügen.
-
In
dem Dokument
US 5.754.974 wird
ein Spracherkennungssystem dargelegt, das es wie das FreeSpeech98
von Philips dem Benutzer gestattet, Wörter mit Hilfe des internationalen
Buchstabieralphabets zu buchstabieren. Das dargelegte System betrifft
das gleiche Problem, dass nur ein aus mehreren Buchstaben bestehendes
Buchstabierreferenzwort für
jeden zu buchstabierenden Buchstaben verwendet werden kann.
-
Wie
im abhängigen
Anspruch 3 beschrieben nutzen die Wörter, die in den Datenbeständen gleich sind
oder von den Datenbeständen
gemeinsam genutzt werden, auch die gleiche akustische Darstellung.
Daher ist keine doppelte Verwaltung oder kein doppeltes Training
erforderlich.
-
Wie
im abhängigen
Anspruch 4 beschrieben können
die Buchstabierwörter
einer aus einem einzigen Buchstaben bestehenden Texttranskription (auch
wenn das Wort selbst ein aus mehreren Buchstaben bestehendes Wort
ist) zugeordnet werden. Auf diese Weise liefert die Identifizierung
des Buchstabierwortes mit der größten Wahrscheinlichkeit
sofort das aus einem einzelnen Buchstaben bestehende Buchstabierergebnis.
-
Wie
im abhängigen
Anspruch 5 beschrieben beginnt das aus mehreren Buchstaben bestehende Buchstabierwort
mit dem ihm zugeordneten Buchstabenzeichen. Dadurch kann sich der
Benutzer das Buchstabierwort leicht merken. Außerdem wird es dadurch leichter,
dem Benutzer einen umfangreichen Satz mit Buchstabierwörtern bereitzustellen
und gleichzeitig den hohen Grad der Erkennungsgenauigkeit erfüllen zu
können,
der in einem Buchstabiermodus erforderlich ist. Es ist zwar normalerweise schwierig,
zwischen gewissen Wörtern
wie „cars" und „car's" oder „two", „to" und „too" zu unterscheiden,
der artige Wörter
beginnen jedoch häufig
mit demselben Buchstaben und brauchen daher in einem Buchstabiermodus
nicht genau unterschieden zu werden. Vorteilhafterweise wird bei
den Wörtern, bei
denen die Wahrscheinlichkeit am höchsten ist, dass sie ausgesprochen
wurden (in der so genannten Liste der N Besten), überprüft, welcher
Anfangsbuchstabe am häufigsten
auftritt und/oder die höchste
Wahrscheinlichkeit hat, und dieser Buchstabe wird ausgewählt.
-
Wie
im abhängigen
Anspruch 6 beschrieben, werden die aus mehreren Buchstaben bestehenden Buchstabierwörter einer
entsprechenden aus mehreren Buchstaben bestehenden Texttranskription
zugeordnet, wie sie beispielsweise im Diktiermodus verwendet wird
(wodurch eine gemeinsame Nutzung der Texttranskription möglich ist).
-
Wie
im abhängigen
Anspruch 7 beschrieben wird der im Wortmodus arbeitende Erkenner
in herkömmlicher
Weise eingesetzt (d. h. er erzeugt eine vollständige Text darstellung des erkannten
Wortes) auch im Buchstabiermodus, wodurch das System vereinfacht
wird. Es wird erst in einem Nachbearbeitungsschritt ermittelt, ob
die vollständige
Textdarstellung des Wortes (im Wortmodus) oder lediglich der erste
Buchstabe (im Buchstabiermodus) verwendet wird.
-
Wie
im abhängigen
Anspruch 8 beschrieben kann der im Normalmodus arbeitende Erkenner
so eingeschränkt
werden, dass er im Erkennungsmodus für isolierte Wörter arbeitet.
Dadurch kann die Erkennungsgenauigkeit verbessert werden.
-
Diese
und weitere Aspekte der Erfindung sind in den Zeichnungen dargestellt
und werden im Folgenden näher
beschrieben. Es zeigen:
-
1 die
Komponenten eines typischen Spracherkennungssystems;
-
2 zwei verschiedene Wortmodelle;
-
3 ein
Blockschaltbild eines Spracherkennungssystems mit einer Erkennung
im Buchstabiermodus und im Wortmodus;
-
4 die
gemeinsame Nutzung der Wortmodelle durch die Modi; und
-
5 ein
Beispiel eines Lexikonaufbaus.
-
Spracherkennungssysteme
nutzen typischerweise eine Sammlung von Erkennungsmodellen zum Erkennen
eines Eingabemusters. Es können beispielsweise
ein akustisches Modell und ein Wortschatz zum Erkennen von Wörtern und
ein Sprachmodell zum Verbessern des grundlegenden Erkennungsergebnisses
verwendet werden. Verschiedene Formen der Spracherkennungsverfahren
wie die Erkennung mit kleinem oder großem Wortschatz und die isolierte
oder kontinuierliche Spracherkennung sind wohlbekannt. 1 zeigt
einen typischen Aufbau eines kontinuierlichen Spracherkennungssystems 100 mit
großem
Wortschatz. Das System 100 umfasst ein Teilsystem 110 zur
Spektralanalyse und ein Teilsystem 120 zum Einheitenabgleich.
In dem Teilsystem 110 zur Spektralanalyse wird das Spracheingangssignal
(SIS) spektral und/oder zeitlich analysiert, um einen repräsentativen
Merkmalsvektor (Beobachtungsvektor OV) zu berechnen. Typischerweise
wird das Sprachsignal über
ein Mikrofon empfangen, digitalisiert (beispielsweise mit einer
Rate von 6,67 kHz abgetastet) und vorverarbeitet, indem beispielsweise
eine Präemphase
angewendet wird. Aufeinander folgende Signalabtastwerte werden in Gruppen
oder Blöcken
zu Frames zusammengefasst, die beispielsweise 32 ms des Sprachsignals entsprechen.
Aufeinander folgende Frames überlappen
sich beispielsweise um 16 ms. Häufig
wird das Spektralanalyseverfahren der linearen prädiktiven Kodierung
(engl. Linear Predictive Coding, LPS) für die Berechnung eines repräsentativen
Merkmalsvektors (Beobachtungsvektors) für jeden Frame eingesetzt. Der
Merkmalsvektor kann beispielsweise 24, 32 oder 63 Komponenten aufweisen.
Der Standardansatz bei der kontinuierlichen Spracherkennung mit
großem
Wortschatz besteht in der Annahme eines Wahrscheinlichkeitsmodells
der Spracherzeugung, bei dem eine bestimmte Wörterfolge W = w1w2w3 ... wq eine Folge von akustischen Beobachtungsvektoren
Y = y1y2y3 ... yT erzeugt.
Der Erkennungsfehler kann statistisch durch die Ermittlung der Folge
mit Wörtern
w1w2w3 ...
wq minimiert werden, die mit der größten Wahrscheinlichkeit
die beobachtete Folge mit Beobachtungsvektoren y1y2y3 ... yT (über die
Zeit t = 1, ..., T) bewirkt hat, wobei die Beobachtungsvektoren
die Ausgabe des Teilsystems 110 zur Spektralanalyse sind.
Daraus ergibt sich die Ermittlung der maximalen a-posteriori-Wahrscheinlichkeit:
Max
P(W|Y) für
alle möglichen
Wörterfolgen
W
-
Durch
die Anwendung des Bayestheorems auf bedingte Wahrscheinlichkeiten
ergibt sich für P(W|Y) P(W|Y) = P(Y|W)·P(W)/P(Y)
-
Da
P(Y) unabhängig
von W ist, ergibt sich die wahrscheinlichste Wörterfolge aus arg max P(Y|W)·P(W) für alle möglichen Wörterfolgen W (1)
-
In
dem Teilsystem 120 zum Einheitenabgleich liefert ein akustisches
Modell den ersten Term der Gleichung (1). Das akustische Modell
wird dazu verwendet, die Wahrscheinlichkeit P(Y|W) einer Folge von
Beobachtungsvektoren Y für
eine gegebene Wörterkette
W zu schätzen.
Bei einem System mit großem
Wortschatz wird dies gewöhnlich
durch Abgleichen der Beobachtungsvektoren mit einem Datenbestand
an Spracherkennungseinheiten durchgeführt. Eine Spracherkennungseinheit
wird durch eine Folge mit akustischen Referenzen dargestellt. Es werden
verschiedene Formen von Spracherkennungseinheiten verwendet. Als
Beispiel kann ein ganzes Wort oder sogar eine Gruppe von Wörtern durch
eine Spracherkennungseinheit dargestellt werden. Ein Wortmodell
(WM) liefert für
jedes Wort eines gegebenen Wortschatzes eine Transkription in einer Folge
von akustischen Referenzen. Bei den meisten Spracherkennungssystemen
mit kleinem Wortschatz wird ein ganzes Wort durch eine Spracherkennungseinheit
dargestellt; in diesem Fall besteht eine direkte Beziehung zwischen
dem Wortmodell und der Spracherkennungseinheit. Bei anderen Systemen
mit kleinem Wortschatz, die beispielsweise zum Erkennen einer relativ
großen
Anzahl von Wörtern
(beispielsweise mehreren hundert) verwendet werden, oder bei Systemen
mit großem
Wortschatz können Teilworteinheiten
auf linguistischer Ba sis wie Phone, Diphone oder Silben sowie abgeleitete
Einheiten wie Fenene und Fenone genutzt werden. Bei derartigen Systemen
wird ein Wortmodell von einem Lexikon 134 vorgegeben, das
die Folge von Teilworteinheiten beschreibt, die sich auf ein Wort
des Wortschatzes beziehen, und die Teilwortmodelle 132,
die Folgen von akustischen Referenzen der betroffenen Spracherkennungseinheit
beschreiben. Eine Wortmodell-Erstellungseinheit 136 erstellt
das Wortmodell basierend auf dem Teilwortmodell 132 und
dem Lexikon 134.
-
2A zeigt
ein Wortmodell 200 für
ein System basierend auf Ganzwort-Spracherkennungseinheiten, wobei die
Spracherkennungseinheit des gezeigten Wortes mit Hilfe einer Folge
von zehn akustischen Referenzen (201 bis 210)
modelliert wird. 2B zeigt ein Wortmodell 220 für ein System
basierend auf Teilworteinheiten, wobei das gezeigte Wort durch eine
Folge von drei Teilwortmodellen (250, 260 und 270)
jeweils mit einer Folge von vier akustischen Referenzen (251, 252, 253, 254; 261 bis 264, 271 bis 274)
modelliert wird. Die in 2 gezeigten
Wortmodelle basieren auf Hidden-Markov-Modellen (HMM), deren Einsatz bei der
stochastischen Modellierung von Sprachsignalen weit verbreitet ist.
Mit Hilfe dieses Modells wird jede Erkennungseinheit (Wortmodell
oder Teilwortmodell) typischerweise durch ein HMM charakterisiert,
dessen Parameter aus einem Trainingsdatensatz geschätzt werden.
Bei Spracherkennungssystemen mit großem Wortschatz wird gewöhnlich ein
begrenzter Satz von beispielsweise 40 Teilworteinheiten verwendet, da
eine große
Menge an Trainingsdaten erforderlich waren, um ein HMM für größere Einheiten
in geeigneter Weise zu trainieren. Ein HMM-Zustand entspricht einer
akustischen Referenz. Verschiedene Verfahren sind für das Modellieren
einer Referenz bekannt einschließlich diskreter oder kontinuierlicher Wahrscheinlichkeitsdichten.
Jede Folge mit akustischen Referenzen, die sich auf eine bestimmte Äußerung beziehen,
wird auch als akustische Transkription der Äußerung bezeichnet. Es ist offensichtlich, dass
beim Einsatz anderer Erkennungsverfahren als den HMM die Details
der akustischen Transkription anders aussehen.
-
Ein
System 130 zum Wortebenenabgleich aus 1 gleicht
die Beobachtungsvektoren mit allen Folgen von Spracherkennungseinheiten
ab und liefert die Wahrscheinlichkeiten einer Übereinstimmung zwischen dem
Vektor und einer Folge. Werden Teilworteinheiten verwendet, kann
der Abgleich eingeschränkt
werden, indem das Lexikon 134 eingesetzt wird, um die mögliche Folge
von Teilworteinheiten auf Folgen im Lexikon 134 zu beschränken. Dadurch
wird die Ausgabe auf mögliche
Wörterfolgen reduziert.
-
Des
Weiteren kann ein System 140 zum Satzebenenabgleich eingesetzt
werden, das basierend auf einem Sprachmodell (LM) den Abgleich weiter einschränkt, so
dass die untersuchten Pfade diejenigen sind, die Wörterfolgen
entsprechen, die laut Festlegung im Sprachmodell korrekte Folgen
sind. Das Sprachmodell an sich liefert den zweiten Term P(W) der
Gleichung (1). Durch die Kombination der Ergebnisse des akustischen
Modells mit denjenigen des Sprachmodells ergibt sich eine Ausgabe
des Teilsystems 120 zum Einheitenabgleich, nämlich ein
erkannter Satz (RS) 152. Das bei der Mustererkennung eingesetzte
Sprachmodell kann syntaktische und/oder semantische Einschränkungen 142 der Sprache
und der Erkennungsaufgabe einschließen. Ein auf syntaktischen
Einschränkungen
basierendes Sprachmodell wird gewöhnlich als Grammatik 144 bezeichnet.
Die von dem Sprachmodell verwendete Grammatik 144 liefert
die Wahrscheinlichkeit einer Wörterfolge
W = w1w2w3 ... wq, die sich
im Prinzip ergibt aus: P(W) = P(w1)P(w2|w1)·P(w3|w1w2)
... P(wq|w1w2w3 ... wq).
-
Da
es in der Praxis nicht machbar ist, die bedingten Wortwahrscheinlichkeiten
für alle
Wörter
und alle Folgenlängen
in einer gegebenen Sprache zuverlässig zu schätzen, ist der Einsatz von N-Gramm-Wortmodellen
weit verbreitet. Bei einem N-Gramm-Modell wird der Term P(wj|w1w2w3 ... wj-1) approximiert
durch P(wj|wj-N+1 ...
wj-1). In der Praxis werden Bigramme und
Trigramme eingesetzt. Bei einem Trigramm wird der Term P(wj|w1w2w3 ... wj-1) approximiert
durch P(wj|wj-2wj-1).
-
Die
Erfindung betrifft das Buchstabieren in einem Spracherkennungssystem.
Das Spracherkennungssystem kann an sich ein sehr eingeschränktes (und
einfaches) System sein, dass nur in einem Buchstabiermodus funktioniert,
d. h. der Benutzer muss jegliche gesprochene Eingabe in das System buchstabieren.
Als Ausgabe eines derartigen Systems können die einzelnen ersten Buchstaben
der gesprochenen Buchstabierwörter
oder ein aus den einzelnen ersten Buchstaben der gesprochenen Buchstabierwörter gebildetes
Wort vorliegen. Die Erkennung kann auf einer Erkennung mit kleinem
Wortschatz basieren, wenn die Anzahl der Buchstabierwörter relativ
gering ist. Zur Verbesserung der Erkennung kann eine Erkennung von
isolierten Wörtern eingesetzt
werden.
-
Normalerweise
erfolgt die Erkennung im Buchstabiermodus zusätzlich zu einem Erkennungsmodus,
bei dem Vollwörter
identifiziert werden. Ein derartiger Modus wird als Wortmodus bezeichnet.
Im Wortmodus wird normalerweise ein gesprochenes Wort in der entsprechenden
vollständigen
Textdarstellung dargestellt. Manchmal werden alternative Textdarstellungen
verwendet. Eine gesprochene Zahl (wie „ten") kann bei spielsweise als Zahlenfolge (wie „10") dargestellt werden.
In gleicher Weise kann eine gesprochene Eingabe wie „el aye" in Kurzform als „LA" oder in erweiterter
Form als „Los
Angeles" dargestellt
werden. Normalerweise gibt der im Wortmodus arbeitende Erkenner
eine Textdarstellung der gesprochenen Eingabe aus, insbesondere
dann, wenn das Erkennungssystem zu Diktierzwecken (Sprache/Text)
eingesetzt wird. Bei gewissen anderen Anwendungen kann es ausreichen,
dass das erkannte Vollwort identifiziert wird, und es kann nicht erforderlich
sein, die vollständige
Textdarstellung auszugeben. Bei gewissen Dialogsystemen kann es ausreichen,
die Identifizierung auszugeben (beispielsweise eine Zahl, die als
Index in einer Liste mit möglichen
Wörtern
dient), wobei dieselbe Identifizierung dazu verwendet wird, den
Dialog zu vervollständigen
(beispielsweise durch das Abrufen von Informationen aus einer der
Identifizierung zugeordneten Datenbank). Bei der Erkennung im Wortmodus
wird heutzutage im Allgemeinen eine kontinuierliche Form der Spracherkennung
eingesetzt, die je nach Größe des Wortschatzes
klein oder groß ist.
-
Bei
einem System mit einer Erkennung sowohl im Wort- als auch im Buchstabiermodus
wird der Buchstabiermodus typischerweise in den Fällen eingesetzt,
in denen die Vollworterkennung keine genaue Identifizierung der
gesprochenen Vollwortes ergab. Ein derartiger Einsatz des Buchstabiermodus erfolgt
im Allgemeinen beispielsweise in automatischen Diktiersystemen und
in automatischen Dialogsystemen. Der im Buchstabiermodus arbeitende
Erkenner setzt eine Folge mit gesprochenen Buchstabierwörtern in
eine Folge mit entsprechenden Buchstaben um (einer für jedes
Buchstabierwort). Die Buchstabenfolge wird für die Identifizierung desjenigen
Wortes eingesetzt, das der Benutzer anfangs sprechen wollte (normalerweise
wird die Buchstabenfolge einfach als vollständige Textdarstellung des anfangs
gesprochenen Wortes genommen). Bei einem System mit sowohl einem
Buchstabiermodus als auch einem Wortmodus beginnt die Erkennung typischerweise
standardmäßig im Wortmodus.
Bemerkt der Benutzer, dass die Erkennung falsch ist, kann er das
System veranlassen, in den Buchstabiermodus umzuschalten. Nach der
Beendigung des Buchstabiervorgangs fährt die Erkennung im Wortmodus
fort. Die Systeme können
auch erkennen, dass die Erkennung falsch ist (beispielsweise bei
geringen Trefferraten oder Konfidenzwerten oder langsamem Fortschritt
eines Dialogs) und automatisch zum Buchstabiermodus umschalten (wobei
sie natürlich
auch den Benutzer von dieser Tatsache informieren). In einigen Situationen
können
der Wortmodus und der Buchstabiermodus parallel aktiv sein. Wenn beispielsweise
keine Überschneidung
zwischen den aus mehreren Buchstaben bestehenden Buchstabierwörtern und
den Wörtern
im Diktierda tenbestand existiert, kann das System automatisch einen
einzelnen Buchstaben anzeigen, wenn ein Buchstabierwort erkannt
wurde, oder sonst ein vollständiges
Wort. Im Fall einer Überschneidung
kann der Benutzer aufgefordert werden anzugeben, ob zu diesem Zeitpunkt eine
Transkription eines einzelnen Buchstabens oder eines Vollwortes
gewünscht
wird.
-
3 zeigt
ein Blockschaltbild eines Spracherkennungssystems, das in der Lage
ist, ein Eingangssignal in einem Buchstabiermodus oder in einem
Vollwortmodus zu erkennen. Zu diesem Zweck kann die Erkennungsmaschine 120 zwischen
zwei Datensätzen
umschalten. Der erste Datensatz 300 umfasst die betreffenden
Daten für
den Buchstabiermodus, der zweite Satz 310 umfasst diejenigen
für den
Wortmodus. Die Daten legen die für
die Erkennung verwendeten Modelle, wie das Wortmodell (akustische
Darstellung, Texttranskription) und das Sprachmodell, fest. Im Besonderen
können
die Wortmodelle viele Aspekte gemeinsam nutzen.
-
4 zeigt
ein Blockschaltbild, in dem Wortmodelle für den Buchstabiermodus und
den Wortmodus gemeinsam das Teilwortmodell 132 und die Wortmodellerstellungseinheit 136 nutzen,
die bereits mit Bezug auf 1 beschrieben
wurden. Die Wortmodelle für
die Modi unterscheiden sich in den entsprechenden Lexika 400 und 410.
Bei dem gezeigten Beispiel werden getrennte Sprachmodelle eingesetzt,
nämlich
ein Sprachmodell 420 für
den Buchstabiermodus und ein Sprachmodell 430 für den Wortmodus.
Das Sprachmodell 430 kann beispielsweise für kontinuierliche
Sprache mit großem
Wortschatz optimiert werden, indem beispielsweise Bigramme eingesetzt
werden, während
das Sprachmodell für den
Buchstabiermodus für
die isolierte Erkennung mit Hilfe von Unigrammen optimiert werden
kann.
-
Erfindungsgemäß wird für die Erkennung
im Buchstabiermodus ein Buchstabierdatenbestand mit für jeden
buchstabierbaren Buchstaben mindestens einem Buchstabierreferenzwort
eingesetzt, das von einem Benutzer zu sprechen ist. Für mindestens
einen buchstabierbaren Buchstaben umfasst der Buchstabierdatenbestand
mindestens zwei aus mehreren Buchstaben bestehende Buchstabierreferenzwörter, die
demselben einzelnen buchstabierbaren Buchstaben zugeordnet sind.
Der Benutzer darf beispielsweise den Buchstaben „a" buchstabieren, indem er die aus mehreren
Buchstaben bestehenden Wörter „Alpha" oder „Amsterdam" spricht. Natürlich ist
auch ein Buchstabieren möglich,
bei dem nur der einzelne Buchstabe „a" gesprochen wird. In gleicher Weise
kann der zu buchstabierende Buchstabe „b" den aus mehreren Buchstaben bestehenden
Wörtern „Bravo" und „Ber nard" zugeordnet sein,
so dass der Benutzer das eine oder das andere Wort sprechen kann.
Es können
auch mehr als zwei aus mehreren Buchstaben bestehende Wörter demselben
Buchstaben zugeordnet ist. Für
den Fachkundigen ist es leicht sicherzustellen, dass mehr als ein
Wort demselben Buchstaben zugeordnet sind. 5 zeigt
ein Beispiel für
einen Lexikonaufbau zum Einsatz in dem in 1 gezeigten
System. Das Lexikon umfasst eine Tabelle, wobei jeder Tabelleneintrag
(jede Zeile) einem sprechbaren Buchstabierwort entspricht. Für jedes
Wort enthält
das erste Feld 500 das Buchstabierzeichen; das zweite Feld 510 gibt
die akustische Transkription des Buchstabierwortes an. In 1 ist die
akustische Transkription als eine Folge von Teilworteinheiten gegeben.
Als solches kann das Feld 510 eine Folge von Zeigern auf
die betroffenen Teilworteinheiten enthalten.
-
Bei
einer erfindungsgemäßen Ausführungsform
wird mindestens eines der aus mehreren Buchstaben bestehenden Buchstabierreferenzwörter aus dem
Diktierdatenbestand ausgewählt,
der für
die Erkennung im Wortmodus verwendet wird. Das gemeinsam vorhandene
Wort kann von dem Diktierdatenbestand (Lexikon) in den Buchstabierdatenbestand
kopiert werden, wo die Texttranskription anders aussehen kann (ein
einzelner Buchstabe gegenüber einer
vollständigen
Transkription). Auf diese Weise brauchen gemeinsam vorhandene Teile
(beispielsweise die akustische Transkription) nur einmal festgelegt
oder trainiert zu werden. Die gemeinsam vorhandenen Teile können auch
gemeinsam genutzt werden, beispielsweise indem beide Kopien auf
eine gemeinsam genutzte Transkription (beispielsweise eine Teilwörterfolge)
zeigen.
-
Bei
einer Ausführungsform
kann der Benutzer auswählen,
welches Wort bzw. welche Wörter des
Diktierdatenbestandes auch zur Verwendung als Buchstabierwörter zur
Verfügung
stehen sollten. Zu diesem Zweck umfasst das System 100 Mittel 440 zum
Erstellen eines Buchstabieralphabets, die als Reaktion auf eine
Benutzereingabe so funktionieren, dass sie mindestens eines der
aus mehreren Buchstaben bestehenden Buchstabierreferenzwörter aus dem
Diktierdatenbestand auswählen.
Die Erstellungsmittel sind in dem beispielhaften System in 4 dargestellt.
-
Wie
in 5 dargestellt ist normalerweise jedes Buchstabierreferenzwort
einer aus einem einzelnen Buchstaben bestehenden Textdarstellung
des Wortes zugeordnet. Als Alternative kann ein Buchstabierreferenzwort
einer entsprechenden aus mehreren Buchstaben bestehenden Textdarstellung
zugeordnet sein. Auf diese Weise kann dasselbe Lexikon verwendet
werden, wobei möglicherweise
lediglich ein Teil des Lexikons zum Buchstabieren genutzt wird.
Welche Wörter
aus dem Lexikon zum Buchstabieren genutzt werden können, kann
einfach angegeben werden. Das Lexikon kann beispielsweise in zwei
Teile unterteilt werden, wobei im Buchstabiermodus lediglich ein
erster Teil genutzt wird, während für die Erkennung
im Wortmodus beide Teile genutzt werden. Als Alternative können einzelne
Wörter
markiert werden um anzuzeigen, in welchem Modus das Wort erkannt
werden kann (beispielsweise mit Hilfe einer Ein-Bit-Anzeige). Infolgedessen
können
die Wortmodelle in hohem Maße
gemeinsam von der Erkennung sowohl im Buchstabiermodus als auch
im Wortmodus genutzt werden.
-
Jedes
aus mehreren Buchstaben bestehende Buchstabierreferenzwort beginnt
vorzugsweise mit seinem zugeordneten einzelnen Buchstabierzeichen.
Dadurch wird es einfach, die Erkennung im Buchstabiermodus mit Hilfe
der Erkennung im Wortmodus durchzuführen (möglicherweise mit einem speziellen
Buchstabiermoduslexikon mit einer eingeschränkten Anzahl von Wörtern) und
in einem Nachbearbeitungsschritt mit Hilfe von Extraktionsmitteln einen
ersten Buchstaben aus der Texttranskription des erkannten Wortes
zu extrahieren. Der extrahierte Buchstabe wird dann als der einzelne
Buchstabe verwendet, der das Buchstabierwort darstellt.
-
Normalerweise
wird ein Spracherkennungssystem auf einem herkömmlichen Computer wie einem
Personal Computer oder einer Workstation ausgeführt. In zunehmendem Maße werden
auch tragbare Ausrüstungen
wie PDAs, Laptops oder sogar Telefone mit Spracherkennung ausgestattet.
Die durch die Erfindung beschriebene Funktionalität wird typischerweise
mit Hilfe des Prozessors der Einrichtung mit herkömmlicher
Hardware wie einer Soundkarte ausgeführt, um ein analoges Mikrofonsignal
in einen digitalen Datenstrom umzuwandeln. Falls erforderlich kann
auch optimierte Hardware wie digitale Signalprozessoren für die Durchführung der
Spracherkennung eingesetzt werden. Der Prozessor, beispielsweise
ein PC-Prozessor, ein Mikrocontroller oder ein digitaler Signalprozessor,
kann mit einem Programm geladen werden, um die erfindungsgemäßen Schritte
durchzuführen.
Das Programm wird gewöhnlich
von einem Hintergrundspeicher, beispielsweise einer Festplatte oder
einem Festspeicher, geladen. Ein Computerprogrammprodukt kann beispielsweise
dazu verwendet werden, das Programm anfangs im Hintergrundspeicher
zu speichern. Ein derartiges Produkt kann auf einem Speichermedium wie
einer CD-ROM gespeichert sein oder über ein Netzwerk wie das Internet
verbreitet werden.