DE69829389T2

DE69829389T2 - Textnormalisierung unter verwendung einer kontextfreien grammatik

Info

Publication number: DE69829389T2
Application number: DE69829389T
Authority: DE
Inventors: A. Fileno ALLEVA; J. Michael ROZAK; J. Larry ISRAEL
Original assignee: Microsoft Corp
Current assignee: Microsoft Corp
Priority date: 1997-04-03
Filing date: 1998-04-03
Publication date: 2006-02-09
Anticipated expiration: 2018-04-04
Also published as: WO1998044484A1; EP1016074B1; CN1285068C; DE69829389D1; CN1255224A; EP1016074A1; JP2001519043A; US5970449A

Description

Fachgebiet
Die Erfindung betrifft allgemein Datenverarbeitungssysteme und insbesondere Textnormalisierung unter Verwendung einer kontextfreien Grammatik.
Hintergrund der Erfindung
Spracherkennungsvorrichtungen haben in den letzten Jahren an Popularität gewonnen. Eine Spracherkennungsvorrichtung weist normalerweise Software auf, die auf einem Computersystem ausgeführt wird, um gesprochene Wörter oder Phrasen (Wortverbindungen) zu erkennen. Die Spracherkennungsvorrichtung gibt im allgemeinen Text entsprechend ihrer Interpretation der gesprochenen Eingabe aus. Wenn beispielsweise ein Sprecher das Wort "Hund" ausspricht, erkennt die Spracherkennungsvorrichtung das gesprochene Wort und gibt den Text "Hund" aus.
Leider haben Spracherkennungsvorrichtungen bisher häufig Textausgaben erzeugt, die unpassend oder den Empfängern nicht vertraut sind: Wenn beispielsweise ein Sprecher die Phrase "einhundertsiebenundvierzig" ausspricht, dann gibt die Spracherkennungsvorrichtung "einhundertsiebenundvierzig" und nicht die Ziffernfolge "147" aus. Ähnliche unglückliche Textausgaben werden von Spracherkennungsvorrichtungen bei Eingaben erzeugt, die Daten, Zeiten, Geldbeträge, Telefonnummern, Adressen und Akronyme bezeichnen. Infolgedessen ist der Empfänger der Textausgabe gezwungen, den Text manuell zu bearbeiten, um ihn in eine akzeptablere Form zu bringen. Da Spracherkennungsvorrichtungen in Dokumentenerzeugungssoftware einbezogen sind, schränkt die Unfähigkeit der Spracherkennungsvorrichtungen, eine akzeptable Textausgabe zu erzeugen, den Nutzen dieser Software erheblich ein.
US-A-5 349 526 offenbart ein System und ein Verfahren zur Umsetzung nichtverarbeitbarer Satzelemente in verarbeitbare Satzelemente, bei dem ein Satz von Grammatikregeln zum Ersetzen von Satzelementen durch andere Elemente beschrieben ist. Ein sequentieller Vergleich zwischen jeder Grammatikregel und den Satzelementen wird dann durchgeführt, um eine Übereinstimmung zwischen einer Grammatikregel und einem oder mehreren zusammenhängenden Satzelementen zu finden. Es erfolgt dann ein Einsetzen des passenden Elements für die anderen Elemente aus der Grammatikregel. Ein solcher sequentieller Vergleich und ein solches Einsetzen setzt sich über die ganze Serie von Satzelementen fort, um den Satz vollständig in verarbeitbare Elemente umzusetzen.
Das IBM Technical Disclosure Bulletin, Vol. 27, Nr. 10, Oktober 1994 mit dem Titel "Handling Names and Numerical Expressions in a n-Gram Language Model" offenbart ein Verfahren zum Verbessern von n-Gram-Modellschätzwerten der Wahrscheinlichkeit, mit der ein Wort einem Namen oder einem numerischen Ausdruck (nicht unbedingt unmittelbar) folgt.
Zusammenfassung der Erfindung
Die Erfindung, wie sie in den Ansprüchen ausgeführt ist, überwindet die Begrenzung von bekannten Spracherkennungsvorrichtungen, indem sie eine Einrichtung zur Textnormalisierung bereitstellt. Die Normalisierung eines Textes erzeugt einen Ausgangstext, der für Empfänger akzeptabler ist. Die Normalisierung kann auch den Ersatz von Textinhalt durch Nichttextinhalt, z. B. Audioinhalt, Videoinhalt oder sogar ein Hypertextdokument, umfassen.
Gemäß einem ersten Aspekt der Erfindung wird ein Verfahren in einem Computersystem praktiziert, das eine Spracherkennungsmaschine zur Erkennung des Inhalts in einer Eingangssprache hat. Ein Text entsprechend einer Spracheingabe wird von der Spracherkennungsmaschine kommend durch das Computersystem empfangen. Eine kontextfreie Grammatik wird angewendet, um einen Ersatzinhalt für den empfangenen Text zu identifizieren. Der empfangene Text wird durch den Ersatzinhalt ersetzt.
Gemäß einem weiteren Aspekt der Erfindung wird eine Datei in einem Computersystem bereitgestellt, um Regeln einer kontextfreien Grammatik zur Normalisierung von Text aufzustellen. Der Text wird von einer Spracherkennungsvorrichtung empfangen, die Sprachabschnitte bei Spracheingabe erkennt. Der Text entspricht der Spracheingabe. Zumindest ein Abschnitt des Textes wird normalisiert, um den Abschnitt durch eine normalisierte alphanumerische Folge ("alphanumerisch", wie es in diesem Kontext verwendet wird, bedeutet ASCII und Unicode) zu ersetzen. Die Normalisierung weist den Schritt auf: Anwenden einer Regel aus der kontextfreien Grammatik, um den Abschnitt des zu normalisierenden Textes durch die normalisierte alphanumerische Folge zu ersetzen.
Gemäß einem zusätzlichen Aspekt der Erfindung wird eine Anwendungsprogrammschnittstelle (API), die einen Textnormalisierer aufweist, in einem Computersystem bereitgestellt. Der Computer verarbeitet ein Anwendungsprogramm und weist eine Spracherkennungsvorrichtung zur Erkennung von Sprachabschnitten bei Spracheingabe und zum Ausgeben von Text entsprechend den erkannten Sprachabschnitten auf. Der Text wird von der Spracherkennungsvorrichtung in einem Textnormalisierer empfangen. Der Text wird vom Textnormalisierer normalisiert, indem eine Regel aus der kontextfreien Grammatik angewendet wird, um einen Inhalt des Textes zu ändern und normalisierten Text zu erzeugen. Der normalisierte Text wird an das Anwendungsprogramm übergeben.
Gemäß einem weiteren Aspekt der Erfindung weist ein Computersystem eine Spracherkennungsvorrichtung zum Erkennen von Sprachabschnitten bei Spracheingabe und zur Erzeugung von Textausgabe entsprechend den erkannten Sprachabschnitten auf. Das Computersystem weist außerdem eine kontextfreie Grammatik, die Regeln zur Normalisierung von Text umfaßt, und einen Textnormalisierer auf, der mindestens eine Regel aus der kontextfreien Grammatik anwendet, um eine Textausgabe von der Spracherkennungsvorrichtung zu normalisieren.
Kurzbeschreibung der Zeichnungen
Eine bevorzugte Ausführungsform der Erfindung wird nachstehend mit Bezug auf die folgenden Figuren beschrieben:
1 ist ein Blockschaltbild, das ein Computersystem darstellt, das zur praktischen Ausführung der bevorzugten Ausführungsform der Erfindung geeignet ist.
2 ist ein Blockschaltbild, das ein verteiltes System darstellt, das zur praktischen Ausführung der bevorzugten Ausführungsform der Erfindung geeignet ist.
3A-3E stellen den Datenfluß zwischen der Spracherkennungsvorrichtung, dem Textnormalisierer und den Anwendungsprogrammen für verschiedene Arten der Normalisierung dar.
4 stellt das logische Format der Textdatei dar, die die kontextfreie Grammatik umfaßt.
5 stellt die Kategorien weiterer Regeln dar, die in der Textdatei gemäß 4 ausgeführt sind.
6 ist ein Flußdiagramm, das die Schritte darstellt, die durchgeführt werden, um die Textdatei zur Textnormalisierung zu verwenden.
7 stellt einen beispielhaften Abschnitt des Baumes für die kontextfreie Grammatik dar.
8 ist ein Flußdiagramm, das die Schritte darstellt, die durchgeführt werden, um zu bestimmen, wann eine Regel aus der kontextfreien Grammatik anzuwenden ist.
9 stellt ein Beispiel der Normalisierung eines Textabschnitts dar.
10 ist ein Flußdiagramm, das die Schritte darstellt, die durchgeführt werden, damit ein Anwendungsprogramm normalisierten Text empfängt.
11 ist ein Flußdiagramm, das die Schritte darstellt, die durchgeführt werden, um eine kontextfreie Grammatik durch eine andere zu ersetzen.
12 ist ein Flußdiagramm, das die Schritte darstellt, die durchgeführt werden, um eine kontextfreie Grammatik zu editieren.
Ausführliche Beschreibung der Erfindung
Die bevorzugte Ausführungsform der Erfindung stellt einen Mechanismus zur Normalisierung von Text dar, der von einer Spracherkennungsvorrichtung empfangen wird. Eine kontextfreie Grammatik wird angewendet, um die Textnormalisierung durchzuführen. Die kontextfreie Grammatik weist eine Anzahl von Regeln auf, die beschreiben, wie der Text zu normalisieren ist. Diese Regeln werden auf die Textausgabe angewendet, die von der Spracherkennungsvorrichtung kommend empfangen wird, um normalisierten Text zu erzeugen. In der bevorzugten Ausführungsform der Erfindung wird die Textnormalisierung in einer Anwendungsprogrammschnittstelle (API) durchgeführt, die von Anwendungsprogrammen aufgerufen werden kann, um Text entsprechend einer Spracheingabe zu empfangen.
Die bevorzugte Ausführungsform der Erfindung kann mehrere Arten von Textnormalisierung durchführen. Beispielsweise kann Text normalisiert werden, um einen normalisierten Text zu erzeugen. Ebenso kann Text normalisiert werden, um andere Arten von Medieninhalten zu erzeugen. Text kann normalisiert werden, um Audioinhalt oder Videoinhalt zu erzeugen. Text kann sogar normalisiert werden, um Hypertextdokumente zu erzeugen, durch die der Text ersetzt wird.
Die kontextfreie Grammatik, die in der bevorzugten Ausführungsform der Erfindung verwendet wird, ist erweiterbar. Die kontextfreie Grammatik, wie sie nachstehend ausführlich beschrieben wird, ist in einer Textdatei spezifiziert. Diese Textdatei kann durch eine Ersatztextdatei, die eine andere kontextfreie Grammatik festlegt, ersetzt werden. Außerdem kann die Textdatei editiert werden, um den Inhalt der kontextfreien Grammatik zu ändern. Da die kontextfreie Grammatik in einer Textdatei beschrieben ist, ist die kontextfreie Grammatik durch den Menschen lesbar.
1 zeigt ein Computersystem 10, das zur praktischen Ausführung der bevorzugten Ausführungsform der Erfindung geeignet ist. Das Computersystem 10 weist eine zentrale Verarbeitungseinheit (CPU) 12 auf, die Operationen des Computersystems überwacht. Die CPU 12 kann von einer beliebigen Anzahl verschiedener Typen von Mikroprozessoren realisiert werden.
Das Computersystem kann auch eine Anzahl von peripheren Geräten aufweisen, einschließlich einer Tastatur 14, einer Maus 16, eines Mikrophons 18, einer Videoanzeige 20 und eines Lautsprechers 22. Das Mikrophon 18 kann verwendet werden, um eine Spracheingabe von einem Sprecher zu empfangen, und ein Lautsprecher 22 kann verwendet werden, um Audioinhalt, z. B. Sprache, auszugeben. Das Computersystem 10 kann auch einen Netzwerkadapter 24 zum Verbinden des Computersystems mit einem Netzwerk, z. B. einem lokalen Netzwerk (LAN) oder einem Weitverkehrsnetzwerk (WAN), aufweisen. Der Fachmann wird anerkennen, daß eine Anzahl verschiedener Arten von Netzwerkadaptern bei der praktischen Anwendung der Erfindung verwendet werden kann. Das Computersystem 10 kann auch ein Modem aufweisen, mit dem das Computersystem mit entfernten Computerressourcen über eine analoge Telefonleitung kommunizieren kann.
Das Computersystem 10 weist zusätzlich einen Primärspeicher 28 und einen Sekundärspeicher 30 auf. Der Primärspeicher kann als Direktzugriffsspeicher (RAM) oder eine weitere Arten von internen Speichern realisiert sein, die dem Fachmann bekannt sind. Der Sekundärspeicher 30 kann die Form eines Festplattenlaufwerks, eines CD-ROM-Laufwerks oder eines anderen Typs von sekundären Speichern haben. Im allgemeinen kann der Sekundärspeicher 30 als Sekundärspeichergerät realisiert sein, das computerlesbare auswechselbare Speichermedien aufnimmt, z. B. CD-ROMs.
Der Primärspeicher 28 kann Software oder einen sonstigen Code enthalten, der eine Spracherkennungsvorrichtung 32 bildet. Die Spracherkennungsvorrichtung kann die Form einer Spracherkennungsmaschine haben und kann zusätzliche Einrichtungen, z. B. ein Wörterbuch und dgl., aufweisen. Eine geeignete Spracherkennungsmaschine ist in der ebenfalls anhängigen Anmeldung mit dem Titel "Method And System For Speech Recognition Using Continuous Density Hidden Markov Models", Anmeldung 08/655 273, beschrieben, die am 1. Mai 1996 angemeldet wurde. Der Fachmann wird anerkennen, daß Abschnitte der Spracherkennungsvorrichtung 32 auch im Sekundärspeicher 30 gespeichert werden können. Der Primärspeicher 28 enthält eine Spracherkennungsprogrammschnittstelle (API) 34, die mit der Spracherken nungsvorrichtung 32 zusammenarbeitet, um Textausgabe entsprechend der bei Spracheingabe erkannten Sprache zu erzeugen. Anwendungsprogramme 36 können die Sprach-API 34 aufrufen, um die Textausgabe entsprechend den erkannten Abschnitten der Spracheingabe zu empfangen. Diese Anwendungsprogramme 36 können Diktatanwendungen, Textverarbeitungsprogramme, Tabellenkalkulationsprogramme und dgl. aufweisen. Die Sprach-API 34 kann einen Textnormalisierer 38 zur Durchführung einer Textnormalisierung aufweisen. Der Textnormalisierer 38 ist die Ressource, die für die Normalisierung des Textes verantwortlich ist, der von der Spracherkennungsvorrichtung 32 kommend von der Sprach-API 34 empfangen wird. Die Arten der Normalisierung, die vom Textnormalisierer 38 durchgeführt werden, werden nachstehend ausführlich beschrieben.
Der Fachmann wird anerkennen, daß der Textnormalisierer 38 nicht Teil der Sprach-API 34 sein muß, sondern als getrennte Einheit vorhanden sein kann oder in die Spracherkennungsvorrichtung 32 einbezogen sein kann. Die Spracherkennungsvorrichtung verwendet eine kontextfreie Grammatik 40, die in 1 gezeigt ist, als sei sie in einem Sekundärspeicher 30 gespeichert. Der Fachmann wird anerkennen, daß die kontextfreie Grammatik 40 auch in einem Primärspeicher 28 gespeichert sein kann.
Man wird anerkennen, daß die Computersystemkonfiguration, die in 1 dargestellt ist, lediglich darstellenden und keinen einschränkenden Charakter für die Erfindung hat. Die Erfindung kann mit anderen Computersystemkonfigurationen praktisch angewendet werden. Diese anderen Konfigurationen können weniger Komponenten aufweisen als die, die in 1 dargestellt sind, oder können zusätzliche Komponenten aufweisen, die sich von denen unterscheiden, die in 1 dargestellt sind. Außerdem muß die Erfindung nicht auf einem Computer mit einem einzelnen Prozessor in die Praxis umgesetzt werden, sondern kann in Mehrprozessorumgebungen, einschließlich Multiprozessoren und verteilte Systeme, in die Praxis umgesetzt werden.
2 zeigt einen Fall, wo das Computersystem 10 ein Client-Computer ist, der Zugang zu einem Netzwerk 44 hat. Die ses Netzwerk 44 kann ein LAN oder ein WAN sein. Das Netzwerk 44 kann das Internet, ein Intranet oder ein Extranet sein. Der Client-Computer 10 weist Netzwerkunterstützung 42 auf. Diese Netzwerkunterstützung 42 kann Client-Code für ein Netzwerkbetriebssystem, ein herkömmliches Betriebssystem oder sogar einen Webbrowser aufweisen. Durch die Netzwerkunterstützung 42 kann der Client-Computer 10 mit dem Server 46 im Netzwerk 44 kommunizieren. Der Server 46 kann Medieninhalt 48 umfassen, z. B. Audiodaten, Videodaten, Textdaten oder ein Hypertextdokument, das vom Client-Computer 10 bei der Normalisierung von Text verwendet werden kann.
Wie bereits oben ausgeführt, normalisiert der Textnormalisierer 38 den Text, der von der Spracherkennungsvorrichtung 32 empfangen wird, um einen normalisierten Inhalt zu erzeugen. 3A stellt einen Datenfluß zwischen der Spracherkennungsvorrichtung 32, dem Textnormalisierer 38 und dem Anwendungsprogramm 36 dar. Im allgemeinen gibt die Spracherkennungsvorrichtung 32 Text 50 aus, der erkannten Sprachabschnitten bei Spracheingabe entspricht, die über das Mikrophon 18 empfangen wird oder in einem Sekundärspeicher 30 gespeichert ist. Der Text 50 kann jeweils ein Wort an den Textnormalisierer 38 ausgeben. Dennoch wird der Fachmann anerkennen, daß die Granularität der Textausgabe, die von der Spracherkennungsvorrichtung 32 erzeugt wird, variieren und Buchstaben oder gar Phrasen aufweisen kann. Der Textnormalisierer 38 erzeugt normalisierten Inhalt 52, der an ein Anwendungsprogramm 36 weitergegeben wird.
3B zeigt einen Fall, wo der Textnormalisierer 38 normalisierten Text 54 erzeugt, der an das Anwendungsprogramm 36 weitergegeben wird. Der normalisierte Text 54 umfaßt Ersatztext, der den Text 50 ersetzt, der von der Erkennungsvorrichtung 32 ausgegeben wurde. Wie in 3C gezeigt, kann jedoch der Textnormalisierer 38 als Alternative den Text normalisieren, um Bilddaten 56, z. B. ein Bitmap, Metafile oder andere Darstellungen eines Bildes, für das Anwendungsprogramm 36 zu erzeugen. Der Text 50 kann eine Kennung der Darstellung des Bildes beschreiben. In diesem Fall ersetzt der Textnormalisie rer 38 die Kennung durch die tatsächliche Darstellung des Bildes, das durch die Kennung bezeichnet wird.
3D zeigt einen Fall, wo der Textnormalisierer 38 Text 50 von der Spracherkennungsvorrichtung 32 empfängt und einen Toninhalt 58 als normalisierten Inhalt erzeugt. In diesem Fall kann der Text 50 ein Audioclip oder eine Datei, die Audiodaten enthält, bezeichnen. Diese Kennung wird durch den zugehörigen Audioclip anstelle einer Datei ersetzt, wenn sie normalisiert ist. Als Alternative kann der Text ein Wort oder eine Phrase sein, für die der Textnormalisierer 38 eine Audiodarstellung hat und wünscht, das Wort oder die Phrase durch die Audiodarstellung zu ersetzen.
3E stellt einen Fall dar, wo der Textnormalisierer 38 Text 50 von der Spracherkennungsvorrichtung 32 empfängt und ein Hypertextdokument 60 an das Anwendungsprogramm 36 ausgibt. Der Text 50 kann eine Kennung aufweisen, z. B. eine einheitliche Quellenangabe (URL), die dem Hypertextdokument 60 zugeordnet ist. Wenn der Textnormalisierer 38 den Text 50 zwecks Normalisierung empfängt, ersetzt er den Text durch das zugehörige Hypertextdokument 60.
Man wird anerkennen, daß der Textnormalisierer verschiedene Arten von Medieninhalt im resultierenden normalisierten Inhalt 52 kombinieren kann, der an die Anwendungsprogramme übergeben wird. Man wird auch anerkennen, daß der Textnormalisierer 38 Medieninhalt oder Ressourcen in einem Netzwerk 44 anwenden kann, um die Normalisierung zu realisieren. Der Einfachheit und Verständlichkeit halber werden nachstehend Fälle beschrieben, wie der in 3B dargestellte, wo der Text 50 durch den Textnormalisierer 38 normalisiert ist, um normalisierten Text 54 zu erzeugen.
Wie oben ausgeführt, ist die kontextfreie Grammatik 40 als Textdatei gespeichert. Die Textdatei enthält eine Beschreibung der Regeln der kontextfreien Grammatik. 4 stellt eine logische Organisation der Textdatei 62 dar. Die Textdatei 62 ist in drei Hauptteile 64, 66 und 68 geteilt. Jeder der Teile ist in der Textdatei 62 mit einem Kopf oder einer Kennzeichnung bezeichnet (z. B. "[Leerezeichen]", "[Großschreibung]", "[Regeln]"). Der erste Teil ist ein Leerzeichen- Teil 64, der Regeln der kontextfreien Grammatik in bezug auf Leerzeichen beschreibt. Diese Regeln sind als Tabelle implementiert. Ein Beispiel einer Beschreibung von Regeln in der Tabelle ist wie folgt:
Die Tabelle weist eine "Links"-Spalte auf, die ein Zeichen beschreibt, das links erscheint und eine "Rechts-Spalte", die ein Zeichen beschreibt, das rechts erscheint, eine "Ersetzungs"-Spalte", die eine vorgeschlagene Ersetzung für das rechte Zeichen enthält, und eine "Schalter"-Spalte, die vorschreibt, ob die Regel in Kraft ist oder nicht. Die erste Regel in dem oben dargestellten Beispiel besagt, daß, wenn ein Punkt (d. h. das linke Zeichen) gefolgt wird von einem Leerzeichen (d. h. das rechte Zeichen), zwei Leerzeichen für ein einziges Leerzeichen eingesetzt werden. Die Schalter-Spalte enthält einen Wert "1" und zeigt somit an, daß diese Regel in Kraft ist. Die zweite Regel (in dem oben dargestellten Beispiel unter der ersten Regel beschrieben) zeigt an, daß ein Punkt nur von einem einzigen Leerzeichen gefolgt wird. Die Schalter-Spalte enthält jedoch einen Wert "!1", der besagt, daß die Regel nicht in Kraft ist.
Man beachte, daß die Anwenderschnittstelle, z. B. ein Eigenschaftsfenster, vorhanden sein kann, um damit ein Anwender wählen kann, welche der Leerzeichenregeln in Kraft sind oder nicht. Die Anwenderwahl wird verwendet, um die Schalterfelder in der Tabelle zu setzen.
Der Großschreibungsteil 66 ist auch als Tabelle organisiert, wie die, die für den Leerzeichenteil 64 vorgesehen ist. Dieser Teil 66 enthält Großschreibungsregeln, z. B. der erste Buchstabe eines Wortes, das einem Punkt folgt, der einen Satz beendet, wird groß geschrieben. Diese Regeln können auch als schaltbar bezeichnet werden, so daß der Anwender die Großschreibungswahlmöglichkeiten wählen kann.
Der dritte Teil ist der sonstige Regelteil 68. Der sonstige Regelteil 68 enthält eine Angabe über die Anzahl der verschiedenen Regeln, die nicht die Großschreibung oder die Leerzeichen betreffen. Dieser Teil ist in einer "Regel"-Überschrift oder -Kennzeichnung ausgeführt. Ein Beispiel für eine solche Regel ist folgendes:
Diese Regel besagt, daß geschriebene Ziffern ein oder mehrere Wörter aufweisen können, die Ziffern enthalten, und die Regel beschreibt die Einsetzung von Ziffern für geschriebene Ziffernfolgen (z. B. "1" für "eins").
5 stellt die Kategorien der sonstigen Regeln dar, die entsprechend der bevorzugten Ausführungsform der Erfindung implementiert werden können. Die Glossarkategorie der Regel 70 beschreibt die Ersetzung von Text durch Ersatztext. Ein Anwender kann solche Ersetzungen als Teil des Glossars eintippen, um Kurzschreibweisen für die Hinzufügung von Text zu einem Dokument zu ermöglichen. Die Zahlenkategorie 72 umfaßt Regeln, die die Ersetzung der geschriebenen Form von Wörtern (nämlich eine Folge von Wörtern) durch digitale Darstellung beschreiben, die nur aus Ziffern bestehen. Beispielsweise wird "einhundertsiebenundvierzig" durch Anwendung der Regeln in dieser Kategorie 72 von Regeln durch "147" ersetzt.
Eine Datumskategorie 74 umfaßt Regeln, die angeben, wie gesprochene Versionen von Daten zu normalisieren sind. Beispielsweise wird der Ausgangstext "erster April neunzehnhundertsiebenundneunzig" normalisiert zu "1. April 1997".
Die Währungskategorie 76 umfaßt Regeln, die die Angaben von Geldbeträgen normalisieren. Beispielsweise kann die Phrase "zehn Cent" durch die Regel in dieser Kategorie 76 normalisiert werden zu "10 c".
Die Zeitkategorie 78 umfaßt Regeln, die verwendet werden, um eine Zeitangabe zu normalisieren. Beispielsweise kann der Text "vier Uhr nachmittags" durch die Regeln in dieser Kategorie 78 normalisiert werden zu "4 p.m.".
Die Brüchekategorie 80 normalisiert Brüche in eine mathematische Form. Somit kann der Text "ein Viertel" durch die Regel dieser Kategorie 80 normalisiert werden zu "1/4".
Die Akronymkategorie 82 normalisiert Text, der Akronyme beschreibt. Beispielsweise kann der Text "CIA" durch die Regel dieser Kategorie 82 normalisiert werden zu "C.I.A.".
Die Adreßkategorie 84 umfaßt Regeln zur Normalisierung der Beschreibung von Adressen. Beispielsweise kann die Folge "einhundertsechsundfünfzigster" durch Regeln in dieser Kategorie 84 normalisiert werden zu "156.".
Die Telefonnummernkategorie 86 normalisiert die Beschreibung von Telefonnummern. Wenn ein Anwender eine Telefonnummer spricht, kann die Spracherkennungsvorrichtung die Telefonnummer lediglich als eine Folge von Ziffern interpretieren. Beispielsweise kann die Folge "neun drei sechs drei null null null" durch die Regeln in der Kategorie 86 normalisiert werden zu 936-3000".
Die Stadt-, Staat-, Postleitzahlkategorie 88 umfaßt Regeln zur Beschreibung, wie eine Folge aus Stadt, Staat und Postleitzahl aussehen sollte. Beispielsweise kann der Text "Seattle Washington neun acht null fünf zwei" durch die Regeln in dieser Kategorie 88 normalisiert werden zu "Seattle, WA 98052".
Die Maßeinheitenkategorie 90 wendet Regeln in bezug auf eine Beschreibung von Maßeinheiten an. Beispielsweise kann der Text "neunzehn Fuß" durch die Regeln in dieser Kategorie 90 normalisiert werden zu "19 ft.".
Der Fachmann wird anerkennen, daß die Textdatei 62 ein anderes Format haben kann, das sich von dem in 4 unterscheidet. Außerdem kann die Textdatei 62 Regeln zur Ersetzung von Text durch Toninhalt oder Videoinhalt aufweisen. Regeln können auch zum Ersetzen von Text durch Hypertextdokumente vorhanden sein. Der Fachmann wird anerkennen, daß die kontext freie Grammatik bei der praktischen Umsetzung der Erfindung nicht als Textdatei beschrieben werden muß.
Der Fachmann wird ferner anerkennen, daß zusätzliche Kategorien von Regeln, die sich von denen unterscheiden, die in 5 dargestellt sind, verwendet werden können. Ferner werden weniger Kategorien von Regeln oder andere Kategorien von Regeln angewendet, die sich von denen unterscheiden, die in 5 dargestellt sind.
Um die kontextfreie Grammatik 40 zu nutzen, muß die Textdatei 62 gelesen und verarbeitet werden. 6 ist ein Flußdiagramm, das die Schritte darstellt, die durchgeführt werden, um die kontextfreie Grammatik beim Normalisieren von Text zu verwenden. Zunächst wird die Textdatei 62, die die kontextfreie Grammatik enthält, gelesen (Schritt 92 in 6). Der dort enthaltene Inhalt wird verwendet, um eine Baumdarstellung für die kontextfreie Grammatik aufzubauen (Schritt 94 in 6). Diese Baumdarstellung wird verwendet, um den Eingangstext, der von der Spracherkennungsvorrichtung 32 kommend empfangen wird, zu zergliedern. Jeder Zweig des Baumes beschreibt einen Teil einer Regel zur Normalisierung von Text. Der Text, der von der Spracherkennungsvorrichtung 32 kommend empfangen wird, wird also vom Textnormalisierer 38 verarbeitet, um den Text mit den Regeln zu vergleichen, die in dem Baum enthalten sind, und um die entsprechende Normalisierung durchzuführen. Demzufolge wird der Text von der Spracherkennungsvorrichtung kommend empfangen (Schritt 96 in 6) und normalisiert (Schritt 98 in 6). Der Baum wirkt im großen und ganzen als Zergliederungsmechanismus zur Entscheidungsfindung, welche Textteile, die von der Spracherkennungsvorrichtung 32 kommend empfangen worden sind, normalisiert werden müssen und wie diese Abschnitte normalisiert werden müssen.
7 zeigt ein Beispiel eines Abschnitts eines Baums, der aufgebaut wird, indem Regeln aus der Textdatei gelesen werden. Der Baum kann zwecks Optimierung in binärer Form gespeichert sein. Der Unterbaum beschreibt Abschnitte der "Ziffern"-Regel, die oben als Beispiel für Regeln ausgeführt wurde, die in der Textdatei 62 vorhanden sind. Der Baum weist einen Startregelknoten 100 auf, der von einem Ziffernregelmodul 102 gefolgt wird. Die Knoten 104 und 106 besagen, daß, wenn der empfangene Text "null" ist, der Text zu normalisieren und durch "0" zu ersetzen ist. Ebenso beschreiben die Knoten 108, 110, 112 und 114 jeweils die Ersetzung von "eins" durch "1" und von "neun" durch "9".
Ein Beispiel ist geeignet zur Illustration, wie der Unterbaum, der in 7 dargestellt ist, verwendet werden kann. Es wird angenommen, daß der Textnormalisierer 38 die Folge "null" empfängt, der Textnormalisierer mit der Startregel 100 beginnt und dann bestimmt, daß die Folge "null" eine Ziffer beschreibt. Er folgt dann dem Weg bis zum Knoten 104 und bestimmt, daß es eine Übereinstimmung gibt. Dieser Textnormalisierer verwendet dann die Ersatz- oder normalisierte Folge "0", die im Knoten 106 beschrieben ist, um die empfangene Folge zu normalisieren.
Die Regeln werden nicht unbedingt Wort für Wort angewendet. Statt dessen will das System die Regel anwenden, die die Folge mit der größten Länge im Text normalisiert, der von der Spracherkennungsvorrichtung kommend empfangen wird. 8 ist ein Flußdiagramm, das die Schritte darstellt, die beim Anwenden der Regel durchgeführt werden. Im allgemeinen wird eine Regel angewendet, wenn mindestens eine vollständige Regel erkannt worden ist und kein weiterer Abschnitt einer Regel angewendet werden kann. Im Schritt 116 von 8 bestimmt der Textnormalisierer also, ob eine Normalisierung mit einem gegebenen Abschnitt eines Textes durchgeführt worden ist. Wenn die Textnormalisierung erfolgt ist (siehe Schritt 116 in 8), wendet der Textnormalisierer die Regel an, die die Folge mit der größten Länge in dem nichtnormalisierten Text normalisiert (Schritt 120 in 8). Man beachte, daß es Fälle geben kann, wo mehrere Regeln gelten und ein Kriterium zur Bestimmung, welche Regel tatsächlich verwendet werden soll, vorhanden sein muß. Die bevorzugte Ausführungsform der Erfindung verwendet die Regel, die den größten Abschnitt der nicht-normalisierten Folge normalisiert. Wenn jedoch bestimmt wird, daß es eine weitere Anwendung der Regeln gibt, die zu erfolgen hat (siehe Schritt 116 in 8), dann werden die zusätzlichen Abschnitte der Regeln angewendet (Schritt 118 in 8).
Ein Beispiel ist geeignet bei der Darstellung, wann Regeln angewendet werden und wie die Normalisierung durchgeführt wird. 9 stellt ein Beispiel einer Textfolge dar: "fünf Hühnchen zu zwanzig Cent jeweils". Diese Wörter sind in einem Textpuffer 122, der vom Textnormalisierer 38 verwendet wird, gespeichert. Das erste Wort "fünf" wird vom Textnormalisierer verarbeitet, um zu bestimmen, ob es Übereinstimmungsregeln gibt oder nicht. Es gibt eine Übereinstimmung in der Ziffernregel 126 für dieses Wort. Vor Anwendung der Regel schaut sich der Textnormalisierer 38 das nächste Wort "Hühnchen" an, da es keine Regel gibt, die für die Phrase "fünf Hühnchen" zutrifft, weiß der Textnormalisierer 38, daß dies erledigt ist (siehe Schritt 116 in 8) und wendet die Ziffernregel an, um "fünf" durch "5" zu ersetzen. Der Wert "5" wird in einem verarbeiteten Puffer 124 gespeichert, der die normalisierte Textausgabe enthält.
Das System hat keine Regel für "Hühnchen" und gibt das Wort daher nicht weiter an den verarbeiteten Puffer 124. Ebenso hat der Textnormalisierer 38 keine Regel für das Wort "zu" und würde das Wort "zu" an den verarbeiteten Puffer 124 übergeben. Wenn der Textnormalisierer 38 jedoch auf "zwanzig" trifft, hat er eine Regel, die gilt (eine Nummernregel 128). Bevor die Regel tatsächlich angewendet wird, schaut sich der Textnormalisierer 38 das nächste Wort "Cent" an und bestimmt, daß es keine Regel gibt, die die Phrase "zwanzig Cent" normalisiert. Infolgedessen wird die Nummernregel 128 angewendet, um "zwanzig" durch "20" zu ersetzen. Folglich wird die Währungsregel 130 angewendet, um Cent durch "c" zu ersetzen. Schließlich wird das Wort "jeweils" nicht normalisiert und in Buchstabenform an den verarbeiteten Puffer 124 weitergegeben.
Wie oben ausgeführt, wird der Textnormalisierer 38 in der Sprach-API 34 verwendet. 10 ist ein Flußdiagramm, das die Schritte darstellt, wie der Textnormalisierer in diesem Kontext verwendet wird. Anfänglich ruft ein Anwendungsprogramm 36 die Sprach-API 34 auf, um eine Textinterpretation der Eingangssprache zu empfangen (Schritt 132 in 10). Eine Spracherkennungsvorrichtung verarbeitet die Spracheingabe, um eine Textausgabe zu erzeugen (Schritt 134 in 10). Der Textnormalisierer 38 normalisiert dann den Text, wie er oben beschrieben worden ist (Schritt 138 in 10). Die Sprach-API 134 gibt den normalisierten Inhalt an das anfragende Anwendungsprogramm 36 weiter (Schritt 138 in 10).
Die bevorzugte Ausführungsform der Erfindung hat den Vorteil, flexibel und erweiterbar zu sein. Die kontextfreie Grammatik ist insofern erweiterbar, als ihr Inhalt ausgetauscht, ergänzt oder eine völlig neue kontextfreie Grammatik beschrieben werden kann. 11 ist ein Flußdiagramm, das die Schritte darstellt, die durchgeführt werden, um die kontextfreie Grammatik durch eine neue kontextfreie Grammatik zu ersetzen. Die vorhandene kontextfreie Grammatik kann ersetzt werden, indem eine neue Textdatei bereitgestellt wird. Eine neue Textdatei umfaßt eine Beschreibung der neuen kontextfreien Grammatik. Das Computersystem 10 liest dann die neue Textdatei als die kontextfreie Grammatik (Schritt 140 in 11). Die Information in der Textdatei wird verwendet, um einen neuen Baum für die neue kontextfreie Grammatik zu bauen (Schritt 142 in 11). Der neue Baum wird dann verwendet, um den Text zu normalisieren (Schritt 144 in 11).
Die gesamte Textdatei muß nicht jedesmal, wenn der Anwender die kontextfreie Grammatik zu ändern wünscht, ersetzt werden. Statt dessen kann die Textdatei lediglich editiert werden. 12 ist ein Flußdiagramm, das die Schritte darstellt, die durchgeführt werden, um die kontextfreie Grammatik auf diese Weise zu ändern. Zunächst prüft die kontextfreie Grammatik die editierte Datei (Schritt 146 in 12). Der Baum wird entsprechend korrigiert, indem der Inhalt aus der editierten Textdatei gelesen wird, der Baum auf eine passende Weise geändert wird (Schritt 148 in 12). Der korrigierte Baum kann dann verwendet werden, um Text zu normalisieren (Schritt 150 in 12).
Obwohl die vorliegende Erfindung mit Bezug auf ihre bevorzugte Ausführungsform beschrieben worden ist, wird der Fachmann anerkennen, daß verschiedene Änderungen in Form und Detail möglich sind, ohne vom beabsichtigten Schutzbereich der Erfindung abzuweichen, wie er in den beigefügten Ansprüchen definiert ist. Beispielsweise kann die Textnormalisierung all gemein angewendet werden, um Textinhalt durch eine beliebige Anzahl von verschiedenen Arten von Medien zu ersetzen. Außerdem muß der Textnormalisierer nicht Teil einer Sprach-API oder von System-Ressourcen sein.

Claims

Verfahren in einem Computersystem mit einer Spracherkennungsmaschine zum Erkennen von Inhalt in Eingangssprache, wobei das Verfahren die folgenden computerimplementierten Schritte aufweist: Empfangen von Text entsprechend einer Spracheingabe von der Spracherkennungsmaschine; Anwenden einer kontextfreien Grammatik, um Ersatzinhalt für den empfangenen Text zu bestimmen; und Ersetzen des Textes durch den Ersatzinhalt.
Verfahren nach Anspruch 1, wobei der Ersatzinhalt eine alphanumerische Folge aufweist.
Verfahren nach Anspruch 1, wobei der Ersatzinhalt graphischen Inhalt aufweist.
Verfahren nach Anspruch 1, wobei der empfangene Text eine Kennung von Medieninhalt in einem verteilten System ist und der Ersatzinhalt der Medieninhalt ist.
Verfahren nach Anspruch 4, wobei der empfangene Text eine einheitliche Quellenangabe (URL) ist.
Verfahren nach Anspruch 1 oder 5, wobei der Ersatzinhalt ein Hypertextdokument ist.
Verfahren nach Anspruch 1, wobei der Ersatzinhalt Audioinhalt aufweist.
Verfahren nach Anspruch 1, wobei die kontextfreie Grammatik mindestens eine Regel zum Ersetzen des empfangenen Textes durch Ersatzinhalt aufweist.
Verfahren nach Anspruch 1, wobei das Computersystem ein Anwendungsprogramm verarbeitet und wobei der Ersatzinhalt an das Anwendungsprogramm übergeben wird.
Verfahren nach Anspruch 1, wobei der empfangene Text eine Folge von Wörtern ist und der Ersatzinhalt eine Se rie von Ziffern entsprechend mindestens eines Teils der Folge von Wörtern enthält.
Verfahren nach Anspruch 1, wobei der empfangene Text eine Folge von Wörtern enthält, die eine Adresse beschreiben, und der Ersatzinhalt eine Serie von Ziffern aufweist, die mindestens einen Abschnitt der Adresse beschreiben.
Verfahren nach Anspruch 1, wobei der empfangene Text eine Folge von Wörtern ist, die einen Währungsbetrag bezeichnet, und der Ersatzinhalt Ziffern und ein Währungssymbol aufweist, das den Währungsbetrag bezeichnet.
Verfahren nach Anspruch 1, wobei der empfangene Text eine Folge von Wörtern ist, die einen Bruch bezeichnet, und der Ersatzinhalt Ziffern und eine mathematische Operation aufweist, die gemeinsam den Bruch bezeichnen.
Computerlesbares Medium, das computerausführbare Anweisungen zum Durchführen des Verfahrens nach einem der Ansprüche 1 bis 13 in einem System mit einer Spracherkennungsmaschine zum Erkennen von Inhalt in Eingangssprache enthält.
Verfahren nach Anspruch 1, wobei das Verfahren den folgenden computerimplementierten Schritt aufweist: Bereitstellen einer Datei, die Regeln einer kontextfreien Grammatik zum Normalisieren von Text angibt; und wobei das Ersetzen des Texts durch den Ersatzinhalt das Normalisieren mindestens eines Abschnitts des Textes umfaßt, um den Abschnitt des Textes durch eine normalisierte alphanumerische Folge zu ersetzen, wobei die Normalisierung den folgenden Schritt aufweist: Anwenden einer Regel aus der kontextfreien Grammatik, um den Abschnitt des zu normalisierenden Textes durch die normalisierte alphanumerische Folge zu ersetzen.
Verfahren nach Anspruch 15, ferner mit den folgenden Schritten: Ersetzen der Datei durch eine Ersatzdatei, die Regeln einer anderen kontextfreien Grammatik angibt, und Verwenden der anderen kontextfreien Grammatik, um neuen Text zu normalisieren.
Verfahren nach Anspruch 15, ferner mit dem folgenden Schritt: Anwenden der Datei, um einen Baum für die kon textfreie Grammatik zu bauen, der bei der Normalisierung verwendet wird.
Verfahren nach Anspruch 15, wobei die Datei eine Textdatei ist.
Verfahren nach Anspruch 15, wobei die Datei Regeln in bezug auf die Großschreibung aufweist.
Verfahren nach Anspruch 15, wobei die Datei Regeln in bezug auf Leerzeichen aufweist.
Verfahren nach Anspruch 15, wobei die Datei eine Beschreibung eines Schalters enthält, der bestimmt, ob eine Regel als Teil der kontextfreien Grammatik angewendet werden soll oder nicht.
Verfahren nach Anspruch 15, ferner mit dem folgenden Schritt: Ändern des Inhalts der Datei, um die kontextfreie Grammatik zu ändern.
Verfahren nach Anspruch 15, ferner mit den folgenden Schritten: Empfangen von zusätzlichem Text und Normalisieren des zusätzlichen Textes durch Anwenden einer weiteren Regel aus der kontextfreien Grammatik, um den zusätzlichen Text durch Nichttextinhalt zu ersetzen.
Verfahren nach Anspruch 22 oder 23, wobei der Nichttextinhalt Bilddaten oder Audiodaten aufweist.
Computerlesbares Medium, das computerausführbare Anweisungen zum Durchführen eines Verfahrens nach einem der Ansprüche 15 bis 24 in einem Computersystem mit einer Spracherkennungsvorrichtung zum Erkennen von Sprachabschnitten in Spracheingabe enthält.
Verfahren in einem Computersystem mit einem Anwendungsprogramm und einer Spracherkennungsvorrichtung zum Erkennen von Sprachabschnitten in Spracheingabe und Ausgeben von Text entsprechend den erkannten Sprachabschnitten, wobei das Verfahren die folgenden computerimplementierten Schritte aufweist: Bereitstellen einer Anwendungsprogrammschnittstelle (API), die einen Textnormalisierer aufweist, der das Verfahren nach Anspruch 1 durchführt, um normalisierten Text mit dem Ersatzinhalt zu erzeugen; und Weitergeben des normalisierten Textes an das Anwendungsprogramm.
Verfahren nach Anspruch 26, wobei die API eine Sprach-API ist, die Textausgabe entsprechend der erkannten Spracheingabe in das Anwendungsprogramm bereitstellt.
Verfahren nach Anspruch 26, wobei das Anwendungsprogramm Text von der API anfordert, um das Weitergeben des normalisierten Textes an das Anwendungsprogramm zu veranlassen.
Computerlesbares Medium, das computerausführbare Anweisungen zum Durchführen eines Verfahrens nach einem der Ansprüche 26 bis 28 in einem Computersystem mit einem Anwendungsprogramm und einer Spracherkennungsvorrichtung zum Erkennen von Sprachabschnitten in Spracheingabe und zum Ausgeben von Text entsprechend den erkannten Sprachabschnitten enthält.
Computersystem mit: einer Spracherkennungsvorrichtung zum Erkennen von Sprachabschnitten in Spracheingabe und zum Erzeugen von Textausgabe entsprechend den erkannten Sprachabschnitten; einer kontextfreien Grammatik, die Regeln zum Bestimmen von Ersatzinhalt für den empfangenen Text enthält; und einem Textnormalisierer, der mindestens eine Regel aus der kontextfreien Grammatik anwendet, um den Text durch den Ersatztext zu ersetzen.
Computersystem nach Anspruch 30, wobei der Textnormalisierer Teil einer Anwendungsprogrammschnittstelle (API) ist.