-
Die
Erfindung betrifft ein Verfahren zur Spracherkennung, und spezieller
betrifft sie ein Verfahren zur Spracherkennung unter Verwendung
einer rauschsignalabhängigen
Normierung der Varianz.
-
Verfahren
zur Spracherkennung können
allgemein in die Abschnitte des Eingebens oder Empfangens eines
Sprachsignals, eine Vorverarbeitung desselben, einen Erkennungsprozess
sowie einen Abschnitt des Ausgebens eines Erkennungsergebnisses
unterteilt werden.
-
Vor
dem Schritt des Erkennens eines Sprachsignals wird dieses im Allgemeinen
vorverarbeitet. Der Vorverarbeitungsabschnitt verfügt z.B. über einen
Schritt zum Digitalisieren eines eingehenden analogen Sprachsignals,
einen Filterungsschritt und/oder dergleichen.
-
Außerdem hat
es sich herausgestellt, dass das Einschließen eines Schritts einer Varianznormierung
für das
empfangene Sprachsignal, eines Derivats und/oder einer Komponente
desselben in einigen Fällen
die Erkennungsrate im folgenden Erkennungsabschnitt erhöhen kann,
jedoch nicht in allen Fällen.
-
Daher
ist es eine Aufgabe der Erfindung, ein Verfahren zur Spracherkennung
zu schaffen, bei dem ein Varianznormierungsschritt auf besonders
einfache und robuste Weise anwendbar ist.
-
Diese
Aufgabe ist durch ein Verfahren zur Spracherkennung mit den im Anspruch
1 dargelegten Merkmalen gelöst.
Bevorzugte Ausführungsformen
des erfindungsgemäßen Verfahrens
zur Spracherkennung liegen im Schutzumfang der abhängigen Unteransprüche.
-
Das
vorgeschlagene Verfahren zur Spracherkennung verfügt über einen
vorverarbeitungsabschnitt, in dem ein Schritt zum Ausführen einer
Varianznormie rung für
ein gegebenes oder empfangenes Sprachsignal, ein Derivat und/oder
eine Komponente desselben anwendbar ist. Gemäß der Erfindung verfügt der Vorverarbeitungsabschnitt
des vorgeschlagenen Verfahrens zur Spracherkennung über einen Schritt
zum Ausführen
einer statistischen Analyse des Sprachsignals, eines Derivats und/oder
einer Komponente desselben, um dadurch statistische Auswertungsdaten
zu erzeugen und/oder zu liefern. Aus den so hergeleiteten statistischen
Auswertungsdaten erzeugt und/oder liefert das erfindungsgemäße Verfahren
Normierungsgraddaten. Außerdem
verfügt das
erfindungsgemäße Verfahren
zur Spracherkennung in seinem Vorverarbeitungsabschnitt über einen
Schritt zum Ausführen
einer Varianznormierung am Sprachsignal, eines Derivats und/oder
einer Komponente desselben entsprechend den Normierungsgraddaten – insbesondere
einer den Normierungsgraddaten entsprechenden Normierungsstärke – mit Normierungsgraddaten
mit einem Wert oder Werten in der Nähe von 0, was anzeigt, dass
keine Varianznormierung auszuführen
ist.
-
Daher
ist es eine wesentliche Idee der Erfindung, nicht in allen Fällen eines
empfangenen oder eingegebenen Sprachsignals eine Varianznormierung
auszuführen,
sondern abhängig
von einer statistischen Analyse des Sprachsignals und/oder des Derivats
oder der Komponente desselben zu entscheiden, in welchem Grad eine
Varianznormierung am Sprachsignal, einem Derivat und/oder einer
Komponente desselben auszuführen
ist. Um das Ausmaß der
Varianznormierung zu steuern, werden aus den statistischen Auswertungsdaten,
die aus der statistischen Analyse herrühren, Normierungsgraddaten hergeleitet,
die den Wert Null haben oder in der Nähe von Null liegen, was anzeigt,
dass keine Varianznormierung auszuführen ist.
-
Im
Gegensatz zu bekannten Verfahren zur Spracherkennung unter Verwendung
einer Varianznormierung, wie gemäß "Improvements in accuracy and
speed in the HTK broadcast news transcription system" von Woodland et
al. in Eurospeech '99
angegeben, verwendet das erfindungsgemäße Verfahren zur Spracherkennung
eine Varianznormierung, deren Ausmaß von der Qualität des empfangenen
oder eingegebenen Sprachsignals oder dergleichen abhängt. Durch
diese Maßnahme
können
Nachteile bei bekannten Verfahren vermieden werden. Die Varianznormierung
wird in einem Ausmaß angewandt,
das für
die Erkennungsrate von Vorteil ist. Daher wird die Varianznormierung
an den Rauschsignalpegel angepasst, wie er durch die statistischen
Bewertungsdaten repräsentiert
ist, und er wird in Varianz-Normierungsgraddaten gewandelt.
-
Selbstverständlich kann
die statistische Analyse am Sprachsignal und/oder dem Derivat oder
der Komponente desselben in der Gesamtheit angewandt werden. In
einigen Fällen
ist es von speziellem Vorteil, die statistische Analyse auf zumindest
stückweise
oder teilweise frequenzabhängige
Weise auszuführen.
Z.B. können
das empfangene und/oder eingegebene Sprachsignal und/oder das Derivat oder
die Komponente desselben mit bestimmten Frequenzintervallen im Frequenzraum
unterteilt werden. Jede Frequenzkomponente oder jedes Frequenzintervall
des Sprachsignals und/oder seines Derivats oder seiner Komponente
kann dem Prozess der statistischen Analyse auf unabhängige Weise
unterzogen werden, wodurch sich für die verschiedenen und charakteristischen
Frequenzkomponenten oder Intervalle verschiedene statistische Auswertungsdaten ergeben.
-
Dasselbe
gilt für
die Erzeugung und Bereitstellung statistischer und/oder die Erzeugung
und Bereitstellung der Normierungsgraddaten. Sie können auch
für das
empfangene und eingegebene Sprachsignal und/oder das Derivat oder
die Komponente desselben in der Gesamtheit erzeugt und bereitgestellt
werden. Jedoch kann es erneut von speziellem Vorteil sein, die Frequenzzerlegung
oder die Zerlegung desselben in Frequenzintervalle zu nutzen.
-
Der
spezielle Vorteil der oben erörterten Maßnahmen
liegt in der Tatsache, dass verschiedene Frequenzbereiche des Sprachsignals
verschiedenen Rauschsignalquellen unterliegen können. Daher können, insbesondere
im Fall einer ungleichmäßigen Rauschsignalquelle,
verschiedene Frequenzkomponenten des eingegebenen oder empfangenen Sprachsignals
verschiedene Rauschsignalpegel aufweisen, und sie können daher
den Prozess der Varianznormierung in verschiedenem Ausmaß unterzogen
werden.
-
Die
statistische Analyse enthält
vorzugsweise einen Schritt des Bestimmens von Signal/Rauschsignal-Verhältnisdaten
oder dergleichen. Dies kann erneut insbesondere auf frequenzabhängige Weise erfolgen.
-
Gemäß einer
weiteren bevorzugten Ausführungsform
des erfindungsgemäßen Verfahrens
zur Spracherkennung wird ein Satz diskreter Normierungsgradwerte
als Normierungsgraddaten verwendet. Insbesondere wird jeder dieser
diskreten Normierungsgradwerte einem bestimmten Frequenzintervall
zugewiesen, und die Frequenzintervalle zeigen vorzugsweise keine Überlappung.
-
Es
ist von speziellem Vorteil, diskrete Normierungsgradwerte zu verwenden,
die im Intervall von 1 und 0 liegen. Gemäß einer anderen bevorzugten
Ausführungsform
des erfindungsgemäßen Verfahrens
zur Spracherkennung zeigt ein Normierungsgradwert in der Nähe von 0
und/oder in Übereinstimmung
mit 0 an, dass der Prozess der Varianznormierung für das jeweils
zugewiesene Frequenzintervall zu überspringen ist. Dies bedeutet,
dass das jeweilige Sprachsignal und/oder das Derivat oder die Komponente
desselben ein beinahe ungestörtes
Signal ist, für
das eine Varianznormierung hinsichtlich des folgenden Erkennungsprozesses
nachteilig wäre.
-
Auf ähnliche
Weise ist es von besonderem Vorteil, in jedem Fall einem Normierungsgradwert
in der Nähe
von 1 eine Maximalfunktionalität
der Varianznormierung für
das jeweils zugewiesene Frequenzintervall zuzuweisen.
-
Zur
Erzeugung der Normierungsgraddaten aus den statistischen Auswertungsdaten,
und insbesondere zur Erzeugung der Normierungsgradwerte, ist es
bevorzugt, Übertragungsfunktionen
zwischen statistischen Auswertungsdaten und den Normierungsgraddaten
oder Normierungsgradwerten zu verwenden.
-
Zu
diesen Übertragungsfunktionen
kann die Klasse stückweise
kontinuierlicher, kontinuierlicher oder kontinuierlich differenzierbarer
Funktionen oder dergleichen gehören,
insbesondere zum Erzielen eines gleichmäßigen und/oder differenzierbaren Übergangs
zwischen den statistischen Auswertungsdaten und den Normierungsgraddaten
und/oder Normierungsgradwerten.
-
Bevorzugte
Beispiele der Übertragungsfunktionen
sind Thetafunktionen, Sigmoidalfunktionen oder dergleichen.
-
Eine
bevorzugte Ausführungsform
zum Ausführen
der Varianznormierung für
sich ist eine Multiplizierung des Sprachsignals und/oder des Derivats oder
der Komponente desselben mit einem sogenannten Reduktionsfaktor
R, der eine Funktion des Signalrauschens und/oder der Normierungsgraddaten
oder Normierungsgradwerte ist. Erneut kann dies eine Frequenzabhängigkeit
hinsichtlich bestimmter Frequenzwerte und/oder bestimmter Frequenzintervalle
beinhalten.
-
Ein
besonders bevorzugtes Beispiel dieses Reduktionsfaktors R –, der erneut
frequenzabhängig sein
kann – ist R = 1/(1 + (σ – 1)·D)wobei σ die zeitliche
Standardabweichung des Sprachsignals, seines Derivats oder seiner
Komponente und/oder seines Merkmals bezeichnet. In dieser Struktur
kennzeichnet D den Normierungsgradwert, der wiederum frequenzab hängig sein
kann.
-
Die
Merkmale und Vorteile der Erfindung werden aus den folgenden Hinweisen
ersichtlich.
-
Bei
automatischer Spracherkennung ist der Vorverarbeitungsschritt hinsichtlich
der eingegebenen Sprachdaten von entscheidender Bedeutung, um kleinere
Wortfehlerraten und höhere
Robustheit gegen Hintergrundrauschen zu erzielen, insbesondere in
Bezug auf den folgenden Erkennungsprozess.
-
Es
wurde herausgefunden, dass ein spezieller Vorverarbeitungsschritt – die sogenannte
Varianznormierung – in
einigen Fällen,
jedoch nicht in allen Situationen, die Erkennungsrate verbessert.
-
Daher
ist es die Grundidee der Erfindung, verschiedene Grade der Varianznormierung
anzuwenden, die z.B. vom Ausmaß des
in den Sprachdaten aufgefundenen Hintergrundrauschens abhängen.
-
Daher
meistert die Erfindung die Situation, dass die Varianznormierung
gut arbeitet, wenn verrauschte Daten vorliegen, sie jedoch die Erkennungsrate
beeinträchtigt,
wenn sie bei nicht gestörten
Eingangsdaten angewandt wird.
-
Das
vorgeschlagene verfahren – insbesondere
der Vorverarbeitungsabschnitt des Verfahrens – kann durch eine Zweischrittprozedur
realisiert werden, wobei ein erster Schritt die Ermittlung oder
Messung des Rauschens in den Eingangsdaten, insbesondere des Signal/Rauschsignal-Verhältnisses (SNR)
ausführt
und der zweite Schritt die Anwendung einer SNR-abhängigen Varianznormierung
auf die Eingangsdaten ausführt.
-
Für den ersten
Schritt können
entweder externe Daten von z.B. einem zweiten Mikrofon und/oder
Kenntnis zur Anwendung und/oder aus Einzelkanal-Abschätzverfahren
verwendet werden. Die genaue Weise zum Ermitteln des Signal-/Rauschsignal-Verhältnisses
beeinflusst die Arbeitsweise und das Ergebnis des Verfahrens nicht.
In der Vergangenheit erfolgten umfangreiche Arbeiten auf dem Gebiet
der SNR-Abschätzung,
und in Zusammenhang mit der vorliegenden Erfindung kann jede von
bekannten Prozeduren oder Algorithmen auf diesem Gebiet verwendet
werden.
-
Der
zweite Schritt, d.h. das Anwenden der SNR-abhängigen Varianznormierung – der Grad
D der Varianznormierung, der im Bereich von 0 bis 1 liegen kann – wird unter
Verwendung z.B. einer Übertragungsfunktion
zwischen dem SNR-Schätzwert und
D bestimmt. Wenn die optimale analytische Form der Übertragungsfunktion
und daher von D noch nicht bestimmt oder bekannt ist, können für diese
Bestimmung natürliche
Wahlmöglichkeiten
eingeschlossen werden, und insbesondere kann die Thetafunktion verwendet
werden, die die Varianznormierung im Fall reiner oder ungestörter Daten
effektiv abschaltet und sie für
verzerrte Eingangssignale auf ihr Maximum schaltet. Eine andere
Wahl kann die Klasse von Sigmoidfunktionen kann, die für einen
gleichmäßigen und
differenzierbaren Übergang
oder eine Interpolation zwischen dem Fall keiner Varianznormierung
und der maximalen Varianznormierung sorgt.
-
Die
Varianznormierung selbst kann dadurch berechnet werden, dass die
Eingangsdaten durch (1 + (σ – 1)·D) geteilt
werden. σ bezeichnet
die Standardabweichung der Eingangsmerkmale über der Zeit. Demgegenüber teilen
die herkömmlichen
Verfahren die Eingangsmerkmale einfach durch σ, ohne den Normierungsgrad D
zu berücksichtigen.
-
Beim
vorgeschlagenen Verfahren können die
Eingangsdaten eine beliebige Repräsentation für z.B. kurzzeitige Spektral-
oder Cepstral-Parameter sein. Die Standardabweichung der Eingangsmerkmale
kann auf beliebige Weise berechnet werden, z.B. unter Verwendung
der aktuellen Sprachaufzeichnung. Es wurde beobachtet, dass die
Standard-Varianznormierung effektiver ist, wenn der Schätzwert σ der Standardabweichung
für mehr
als eine Sprachäußerung von
einem gegebenen Sprecher berechnet wird. Das vorgeschlagene Verfahren ist
von der Herleitungsweise für σ unabhängig, und demgemäß kann das
Verfahren selbst dann verwendet werden, wenn σ jedesmal neu iterativ anzupassen
ist, wenn neue Sprache in das System eingegeben wird.
-
Nun
wird die Erfindung unter Berücksichtigung
der beigefügten
Figuren auf Grundlage der bevorzugten Ausführungsformen des erfindungsgemäßen Verfahrens
zur Spracherkennung detaillierter beschrieben.
-
1 ist
ein schematisches Blockdiagramm, das einen Gesamtüberblick über das
Verfahren zur Spracherkennung gemäß der vorliegenden Erfindung
liefert.
-
2 ist
ein schematisches Blockdiagramm zum detaillierteren Beschreiben
des Vorverarbeitungsabschnitts der in der 1 dargestellten
Ausführungsform
des erfindungsgemäßen Verfahrens.
-
Wie
es im schematischen Blockdiagramm der 1 dargestellt
ist, besteht das erfindungsgemäße Verfahren
zur Spracherkennung im Wesentlichen aus einem ersten Schritt S1
zum Eingeben und/oder Empfangen eines Sprachsignals S. Im folgenden
Schritt S2 werden dieses Sprachsignals und/oder Derivate S' oder Komponenten
desselben vorverarbeitet. Im folgenden Schritt S3 wird das Ausgangssignal
des Vorverarbeitungsabschnitts S2 einem Erkennungsprozess S3 unterzogen.
-
Schließlich wird
im letzten Schritt S4 das Erkennungsergebnis ausgegeben.
-
Das
schematische Blockdiagramm der 2 verdeutlicht
detaillierter die Schritte des Vorverarbeitungsabschnitts 2 der
in der 1 dargestellten Ausführungsform.
-
Im
Allgemeinen liegt das empfangene oder eingegebene Sprachsignal S
in analoger Form vor. Daher wird in einem Schritt S10 des Vorverarbeitungsabschnitts
S2 dieses analoge Sprachsignal S digitalisiert.
-
Folgend
auf den Digitalisierungsschritt S10 werden das Sprachsignal S und/oder
Derivate S' oder
Komponenten desselben in einem Schritt S11 einer statistischen Auswertung
unterzogen, um statistische Auswertungsdaten ED zu liefern und zu
erzeugen.
-
Auf
Grundlagen der so erzeugten statistischen Auswertungsdaten ED, die
einen Wert für
das Signal/Rauschsignal-Verhältnis
SNR enthalten können,
werden in einem Schritt S12 Normierungsgraddaten ND und/oder Normierungsgradwerte
Dj als Funktion der statistischen Auswertungsdaten ED hergeleitet.
-
Dann
können
herkömmlicherweise
weitere Vorverarbeitungsschritte ausgeführt werden, wie es durch den
Abschnitt S13 gekennzeichnet ist.
-
Abschließend wird
in einem Schritt S14 mit Unterschritten 14a und 14b ein
Prozess der Varianznormierung VN am Sprachsignals und/oder Derivaten
S' und Komponenten
desselben ausgeführt.
Der Grad und/oder die Stärke
der Varianznormierung VN hängt
von den im Schritt S12 erzeugten Normierungsgraddaten ND und/oder
Normierungsgradwerten Dj ab und/oder ist eine Funktion derselben.
Die Varianznormierung VN wird im Schritt 14b ausgeführt, wenn,
entsprechend der Bedingung im Schritt 14a, der Wert oder
die Werte der Normierungsgraddaten ND, Dj nicht in der Nähe von 0
liegen.