-
TECHNISCHES
GEBIET DER ERFINDUNG
-
Diese Erfindung bezieht sich auf
die Spracherkennung und insbesondere auf die Minimierung eines Suchnetzes.
-
HINTERGRUND
DER ERFINDUNG
-
Die kontinuierliche Spracherkennung
ist ein betriebsmittelintensiver Algorithmus. Kommerzielle Diktiersoftware
erfordert, daß mehr
als 10 MBytes auf der Platte installiert werden, sowie 32 MBytes
RAM, um die Anwendung auszuführen.
Ein statischer Speicher ist erforderlich, um das Programm (den Algorithmus),
die Grammatik, das Wörterbuch
und die Akustikmodelle zu speichern. Die Daten ändern sich nicht und können somit
auf der Platte oder im ROM gespeichert werden. Ein dynamischer Speicher
ist erforderlich, um die Suche auszuführen. Die Suche umfaßt das Parsen
der Eingangssprache und das Ausbauen eines sich dynamisch ändernden
Suchbaums, so daß der
RAM sowohl für
die Lese- als auch für
die Schreibfähigkeit
erforderlich ist. Die Zielanwendung für diese Patentoffenbarung betrifft
die Spracherkennung mit kleinem Wortschatz, die beispielsweise in
Festkomma-DSP-Chips implementiert ist. Bei einer DSP-Implementierung
ist die RAM-Größe ein entscheidender
Kostenfaktor, da der RAM einen großen Prozentsatz der gesamten
Chipgröße belegt.
Andererseits ist der ROM hinsichtlich der Siliciumgrundfläche wesentlich
billiger.
-
EP 0 248 377 B1 offenbart ein kontinuierliches
Spracherkennungssystem, in dem Rahmen der Eingangssprache mit Vorlagen
zur Übereinstimmung
gebracht werden. Jedesmal, wenn eine potentielle Übereinstimmung
für ein
Wort gefunden wird, wird ein Knoten, der das Wort repräsentiert,
zu einem Baum hinzugefügt, wobei
alternative mögliche Übereinstimmung
für einige
Rahmen in dem Baum als alternative Zweige erscheinen. Außerdem zeichnet
jeder Knoten ein Maß der Ähnlichkeit
zwischen der Sequenz der Eingangsrahmen und den Vorlagen, die bis zu
diesem Knoten führen,
auf. Ein Rückverfolgungsalgorithmus
beschneidet den Baum von nutzlosen Informationen, um zu verhindern,
daß sich
Informationen übermäßig im Speicher
akkumulieren; insbesondere entfernt er Datensätze, die als potentielle Übereinstimmung
nicht mehr in Betracht kommen.
-
Gemäß der Erfindung werden ein
Verfahren, wie es in Anspruch 1 dargestellt ist, und ein Spracherkenner,
wie er in Anspruch 5 dargestellt ist, geschaffen.
-
ZUSAMMENFASSUNG
DER ERFINDUNG
-
Gemäß einer Ausführungsform
der vorliegenden Erfindung wird in der Suchnetzerweiterung bei der Spracherkennung
lediglich der momentane Schlitz aufrechterhalten, solange bekannt
ist, in welchem Modell und in welchem Zustand der Schlitz ist, während die
vorangehenden Schlitze verworfen werden.
-
BESCHREIBUNG
DER ZEICHNUNG
-
1 ist
ein Gesamtblockschaltplan des Spracherkennungssystems;
-
2 zeigt
ein HMM;
-
3 zeigt
Pfaderweiterungsschlitze und Zeiger zurück auf den vorangehenden Schlitz;
-
4 zeigt
die Erweiterung eines Satzes;
-
5 ist
ein Ablaufplan der Minimierung des Suchnetzes; und
-
6 ist
ein Histogramm der Spitzenschlitznutzung für eine 10-Ziffern-Zeichenfolgen-Aufgabe.
-
BESCHREIBUNG
BEVORZUGTER AUSFÜHRUNGSFORMEN
DER VORLIEGENDEN ERFINDUNG
-
In 1 ist
ein Spracherkennungssystem gezeigt. Der Erkenner 10 enthält eine
Bibliothek 10a, die ein Aussprachewörterbuch, Grammatiken, Akustikmodelle
usw. enthält.
Ferner enthält
der Erkenner 10 einen Computer/Komparator
10b zum
Vergleichen der geparsten Eingangssprache mit den Modellen und zum
Berechnen eines Standes sowie den Speicher 10c zum Speichern
des Betriebsprogramms und zum Speichern der Ergebnisse aus dem Vergleich
und von Rechenergebnissen. Die eingegebene geparste Sprache wird
mit Sprachmodellen verglichen, wobei die Übereinstimmung die erkannte
Ausgabe erzeugt. Der Rahmen des vorliegenden Erkennungssystems ist
das HMM (Hidden Markov Model), in dem die Satzgrammatik durch ein
Markov-Modell mit den Zuständen 12 und Übergängen 11 unter
den Zuständen
repräsentiert
wird (siehe 2). Die Übergänge sind
Wörtern
zugeordnet. Wenn ein Übergang
vom Zustand A zum Zustand B getätigt
wird, muß eines
der Wörter
ausgewertet werden, die diesem Übergang
zugeordnet sind. Daraufhin gibt es vom Zustand B wieder viele abgehende Übergänge, aus
denen gewählt
werden kann, wobei jedem Übergang
Wörter zugeordnet
sind. Das Tätigen
eines Übergangs
bedeutet, über
ein Wort zu gehen. Somit beschreibt dieses Markov-Modell, mit welchen
Wörtern
ein Satz beginnen kann, welche Wörter
auf welche Wörter
folgen und mit welchen Wörtern
ein Satz abgeschlossen werden kann. Dies ist eine Computerdarstellung
einer Grammatik.
-
Jedes Wort wird ebenfalls durch ein
Markov-Modell mit Zuständen
und Übergängen repräsentiert.
Jedem Zustand sind Akustiken zugeordnet. Ein Übergang in einen Zustand bedeutet,
daß die
diesem Zustand zugeordneten Akustiken ausgewertet werden. Üblicherweise
wird für
ein Wortmodell ein Links-rechts-HMM verwendet, wobei es Durchgangs-Übergänge 11,
die die Durchschnittsgeschwindigkeit der Sprache repräsentieren,
Eigenschleifen-Übergänge 13,
die langsame Sprache repräsentieren,
und Sprung-Übergänge 17,
die schnelle Sprache repräsentieren,
gibt. Den Akustiken können
(wie beim Satz-HMM) ebenfalls Übergänge zugeordnet
werden; in den meisten Spracherkennungssystemen werden den Akustiken
wegen ihrer Einfachheit allerdings Zustände zugeordnet.
-
Diese zwei Pegel von HMMs beschreiben
den Suchraum eines Spracherkennungssystems (siehe Y. H. Kao, W.
Anderson, H. S. Lim: "A Multi-Lingual, Speaker-Independent, Continuous-Speech
Recognizer on TMS320C5x Fixed-Point
DSP", ICSPAT 1997, San Diego, USA, und Y. H. Kao, "Fixed-Point Im plementation of
IG Speech Recognizer on C5x DSP", TI Tech Report, 1996). Der Erkennungsalgorithmus
(Parser) kann die Eingangsakustikvektoren von der Satzgrammatik
des obersten Pegels bis zu den Akustiken des untersten Pegels durch
diesen Suchraum laufen lassen, um durch den Aufbau eines Suchnetzes
den besten Pfad zu ermitteln. Der beste Pfad, der am Ende der Eingangsvektoren
ermittelt wird, ist das Erkennungsergebnis. Grammatiken können durch
eine kontextfreie Grammatik (für
Aufgaben mit kleinem Wortschatz) oder durch eine N-Gram (für Aufgaben
mit großem
Wortschatz) repräsentiert
werden. In einem System mit großem
Wortschatz wird anstelle des Zweipegelsystems (Satz, Wort) üblicherweise
ein Dreipegelsystem (Satz, Wort, Laut) verwendet. Es ist unmöglich, für so viele
Wörter
einzelne Wortmodelle aufzubauen, so daß phonetische Modelle als Grundeinheiten
verwendet werden (siehe Y. H. Kao, K. Kondo, "Phonetic Mode-ling Using Acoustic
Decision Tree", TI Tech Report, 1997; Y. H. Kao, "Acoustic Decision
Tree: A Tutorial", TI Tech Report, 1997; Y. H. Kao, "Acoustic Decision
Tree: Performance Analysis", TI Tech Report, 1997).
-
Die Suche erweitert alle möglichen
Wege in der Grammatik (siehe 3).
Wenn ein Sprachrahmen hereinkommt, wird zunächst jedes mögliche Wort
in dem Satz-HMM erweitert. Um jedes Wort zu erweitern, muß seine
einzelne Phonsequenz in dem Lexikon-HMM erweitert werden. Um jeden
Laut zu erweitern, müssen
ihre phonetischen HMMs erweitert werden, die die Akustiken als die
Beobachtungen haben. In dieser Struktur gibt es drei Pegel von HMM.
Die Übergänge des
obersten Pegels können
mehr als einen Sprachrahmen dauern, während lediglich die Übergänge des
untersten Pegels genau einen Sprachrahmen verbrauchen. Ein Sprachrahmen
ist beispielsweise 20 Millisekunden lang. Der Übergang des obersten Pegels
kann erst getätigt
werden, nachdem seine entsprechende Beobachtung abgeschlossen ist
(was mehrere Sprachrahmen dauern kann).
-
Die Spracherkennung soll ein Suchnetz
erweitern, das der Grammatik-Wort-Suchraumdefinition folgt. Es gibt viele
Möglichkeiten,
die Computerdatenstruktur tatsächlich
zu definieren und den Algorithmus zu implementieren. Der von den Erfindern
verwendete Algorithmus wird hier als Beispiel verwendet, wobei die
Möglichkeiten
beschrieben werden, um das Netz zu minimieren.
-
Als der Baustein des Suchnetzes wird
hier wird eine Struktur definiert, die Schlitz genannt wird. Unter Verwendung
einer C-Struktur ist er definiert als:
-
Model_index ist eine ganze Zahl,
die repräsentiert,
in welchem Modell dieser Schlitz ist. Beispielsweise wird der gesamte
Suchraum durch ein Satzmodell repräsentiert, dem der model_index
0 zugewiesen wird. Dieses Satzmodell ist aus vielen Wörtern zusammengesetzt,
wobei daraus, wie diese Wörter
zusammengestellt werden können,
jedem der Wortmodelle der model_index 1, 2, 3, ... usw. zugewiesen
wird. Der model_index kann sich nicht überschneiden, wobei jeder Index
ein anderes Modell (Satz oder Wörter)
repräsentiert.
-
State_Index ist eine ganze Zahl,
die repräsentiert,
in welchem Zustand (in einem Modell, das entweder ein Satz oder
Wörter
ist) dieser Schlitz ist. Sowohl die Satz- als auch die Wortmodelle
sind HMMs, die zustandsweise ausgewertet werden. Beim Aufbau des
Suchnetzes muß bekannt
sein, welcher Zustand vorliegt, so daß bekannt ist, in welchen nächsten Zustand
beziehungsweise in welche nächsten Zustände überzugehen ist.
In jedem Modell beginnt state_Index von 1, 2, 3, ... usw. Der Zustand 1 im
Modell 1 ist verschieden vom Zustand 1 im Modell 2.
-
Score ist der akkumulierte Stand
dieses Pfades bis zu diesem Schlitz.
-
Backptr ist ein Zeiger, der in dem
Pfad zurück
zu dem vorangehenden Schlitz zeigt. Wenn beispielsweise der Zustand 10 vom
Zustand 9 (Durchgangsübergang)
oder vom Zustand 8 (Sprungübergang) oder vom Zustand 10 (Eigenschleifenübergang)
kommen kann; zeigt der backptr des Schlitzes des Zustands 10 nach der
Viterbi-Decodierung, die lediglich den besten Pfad erhält, der
in einen Zustand kommt, auf einen der drei obenbeschriebenen Schlitze.
-
Time ist der Zeitindex, wenn dieser
Schlitz erstmals erzeugt wird. Beispielsweise wird hier eine Rahmenlänge von
20 ms verwendet. Die Eingangssprache wird in 20-ms-Rahmen segmentiert,
vorverarbeitet, um einen Merkmalsvektor zu entnehmen, und daraufhin
dem Suchalgorithmus zugeführt.
Während
der Suche des ersten Rahmens (0–20
ms) ist time gleich 1; während
der Suche des zweiten Rahmens (20–40 ms) ist time gleich 2 usw.
-
Last_time ist der letzte Zeitpunkt,
zu dem dieser Pfad aktualisiert wird. Dieser Zeitstempel wird für das Schlitzmanagement
(Speicherbereinigung) benötigt.
Die Erweiterung des Suchnetzes ist ein Problem mit exponentiellem
Wachstum, wobei Pfade mit schlechten Ständen beschnitten werden müssen, um
die Größe des Suchnetzes
zu verringern. Wenn ein Pfad einen guten Stand hat und zur zukünftigen
Erweiterung erhalten werden sollte, wird der momentane Zeitstempel
durch den gesamten Pfad (ein Pfad ist eine rückwärts verknüpfte Liste von Schlitzen) rückwärts ausgebreitet.
Wenn das last time eines Schlitzes der momentane Zeitpunkt ist, muß er erhalten
werden und kann nicht wiederverwendet werden. Andernfalls kann er
wiederverwendet werden, da sein Pfad nicht in dem Suchstrahl ist
und last_time somit nicht aktualisiert wird.
-
Next_state zeigt auf den nächsten Schlitz
des aktiven Zustands in diesem Modell, der auszuwerten ist. Wenn
ein Modell ausgewertet wird, können
viele Zu stände
aktiv sein, die ausgewertet werden müssen, wobei sie durch next_state
miteinander verknüpft
sind.
-
Next_word zeigt auf den nächsten Schlitz
des aktiven Worts für
diesen Satzzustand, der auszuwerten ist. Wenn ein Satzmodell ausgewertet
wird, sind seine Schlitze der aktiven Zustände durch next_state verknüpft. Allerdings
gibt es für
jeden Zustand Wörter,
die immer noch ausgewertet werden (ein Wort benötigt mehr als einen Rahmen,
um abgeschlossen zu werden). Next_word verknüpft alle diese anstehenden
Wortauswertungsschlitze. Next_word startet von einem Satzpegelschlitz.
-
Die Suche ist der komplizierteste
Teil des Spracherkennungsalgorithmus. Die beste Möglichkeit,
den Algorithmus zu erlernen, besteht darin, den C-Code zu verfolgen.
Es wird auf den gut kommentierten C-Code der Anwender und auf eine
Begleitdokumentation (siehe Y. H. Kao, "IG (Integrated Grammar)
Algorithm", TI Tech Report, 1996) verwiesen.
-
4 zeigt
ein Beispiel des Suchraums für
die Satzgrammatik "Call George Washington". Die Grammatikschichten
sind Sätze,
Wörter,
Laute und Akustikverteilungen (untere Schicht), die durch die kleinen
Kreise dargestellt sind. Für
die Akustiken von "|K|" geht die Erweiterung vom Wort "call" zum
Laut "|K|" zu den oberen drei Kreisen 41–43.
Daraufhin geht die Erweiterung zu dem zweiten Laut "|ao|" zu den
fünf Kreisen 44 und daraufhin
zurück
zu dem Laut "|l|". Daraufhin geht die Erweiterung zu den Akustiken
für "|l|",
die durch die kleinen Kreise 45 repräsentiert sind. Nach dem letzten
Kreis 45 geht die Erweiterung zu dem Wort "George", daraufhin
zu dem Laut "|h|". Die Erweiterung fährt mit den drei Akustiken 47,
daraufhin mit dem Laut "|ao|" und daraufhin mit den fünf Akustiken 49 fort.
Nach der letzten Akustik 49 geht die Suche zu dem Laut
"|r|", gefolgt von den vier Akustiken, gefolgt von dem Laut "|jh|",
gefolgt von den drei Akustiken 53. Auf die letzte Akustik 53 folgt
das Wort "Washington", gefolgt von dem Laut "|w|". Darauf folgen
die drei Akustiken 55. Auf die Akustik 55 folgt
der Laut "|ao|", gefolgt von den fünf Akustiken 57, gefolgt
von dem Laut "|sh|". Auf den Laut "|sh|" folgen seine vier Akustiken 59,
gefolgt von dem Laut "|ax|" und seinen drei Akustiken 61.
Die Erweiterung wird ähnlich für die Laute
"|n|", "|t|", "|ax|" und "|n|" fortgesetzt, worauf ihre zugeordneten
drei Akustiken folgen.
-
Zur Fortsetzung der Diskussion wird
nun die Vorstellung der Suche auf einem hohen Pegel beschrieben
und daraufhin das Suchnetzminimierungsverfahren erläutert.
-
Nachdem die Schlitz-Datenstruktur
als Baustein des Suchnetzes beschrieben worden ist, ist es unkompliziert,
die Suchnetzerweiterung durchzuführen.
Sie kann zusammengefaßt
werden als:
-
-
Verfolge den Pfad mit dem besten
Stand zurück
und berichte das Erkennungsergebnis
-
Wie beispielsweise in 4 gezeigt ist, muß für jeden
Eingangsakustikvektor (20 ms) der Suchraum nach unten durchquert
werden, um die unterste Schicht zu erreichen, so daß eine Akustikauswertung
erfolgen kann. Der Akustikstand und der Übergangsstand werden akkumuliert
und in dem Score-Feld des Schlitzes gespeichert (in dem Speicher 10c aus 1 abgelegt). Das Backptr-Feld
zeigt auf den vorangehenden Schlitz (von dem dieser Schlitz kommt).
Da eine Akustikauswertung erfolgen muß, fügt die Auswertung somit für jeden Eingangsakustikvektor
wenigstens einen Schlitz zu dem Suchpfad hinzu. Da der Satzpegelschlitz
hinzugefügt werden
muß, bevor
der Akustikauswertungsschlitz hinzugefügt werden kann, muß zu dem
Pfad gelegentlich mehr als ein Schlitz hinzugefügt werden.
-
Dies wird Verfolgungsbetriebsart
genannt, wobei jeder Eingangsakustikvektor auf einen Modellakustikvektor
abgebildet und in dem Suchpfad aufgezeichnet wird. Da eine sehr
lange verknüpfte
Liste von Schlitzen erzeugt wird, ist sie sehr aufwendig. Beispielsweise
besitzt eine 5-Sekunden-Eingangsäußerung 5 × 50 = 250
Eingangsvektoren. Für
jede mögliche
Theorie in der Suchstrahlbreite muß eine verknüpfte Liste
von mehr als 250 Schlitzen erzeugt werden.
-
Für
Trainingszwecke ist dies erforderlich, da jeder Eingangsvektor auf
einen Modellvektor abgebildet werden muß, um diesen Modellvektor zu
aktualisieren. Für
Erkennungszwecke ist dies aber übertrieben,
da lediglich zu ermitteln ist, welche Wörter erkannt werden. Die mikroskopische
Verfolgung dessen, wie jeder Vektor abgebildet wird, braucht nicht
bekannt zu sein.
-
Im folgenden wird die Suchnetzerweiterung
ausführlicher
untersucht; genauer soll der Grund untersucht werden, daß die Schlitze
in dem Verfahren erhalten werden.
-
Zwecks Erweiterung muß lediglich
der momentane Schlitz im Speicher 10c (1) erhalten werden. Ein Schlitz liefert
den model Index und den state Index in diesem Modell. Solange bekannt
ist, in welchem Modell (Satz oder Wörter) und in welchem Zustand
dieser Schlitz ist, kann das Modell herangezogen und herausgefunden
werden, in welche Zustände
als nächstes überzugehen
ist. Die vorangehenden Schlitze brauchen zwecks Suchnetzerweiterung
nicht bekannt zu sein. Durch dieses Argument braucht in einem Pfad
lediglich ein Schlitz, der momentane Schlitz, erhalten zu werden;
alle vorangehenden Schlitze in einem Pfad können verworfen werden.
-
Zwecks Erkennung soll aber ermittelt
werden, welche Wörter
erkannt sind, nachdem die Erweiterung abgeschlossen ist. Aus diesem
Grund muß in
einem Suchpfad für
jedes erkannte Wort ein Schlitz erhalten werden. Nachdem für das Beispiel
aus 4 "call" erkannt
worden ist, ist ein Schlitz für
das Wort "call" alles, was erhalten wird. Die gesamte weitere Erweiterung
der Laute und Akustiken kann verworfen werden. Ein Steuersignal
zwischen Computer/Komparator 10b und Speicher 10c steuert
das Verwerfen. Dies erfolgt nach der Berechnung. Dabei sind alle
Schlitze zu berechnen, wobei der vorangehende Schlitz aber zu verwerfen
ist, da der derzeitige Schlitz den Stand akkumuliert hat und, wenn
ein Wort bestimmt worden ist, lediglich das Wort benötigt wird.
Der Rückwärtszeiger
zeigt auf das vorangehende Wort.
-
Durch das obige Argument brauchen
für eine
10-Ziffernerkennung lediglich 10 Schlitze in dem Suchpfad erhalten
zu werden. Jeder Schlitz repräsentiert
eine erkannte Ziffer. Dies ist der kürzestmögliche Weg, der zur Lösung des
10-Ziffern-Suchproblems
genommen werden kann.
-
In 5 ist
ein Ablaufplan zur Erweiterung und zum Erhalten und Verwerfen von
Schlitzen gezeigt. In Schritt 101 wird die Eingangssprache
erweitert und in Schritt 103 mit den Bibliotheksmodellen
und mit dem Wörterbuch 10a im
Computer/Komparator 10b verglichen, wobei der Stand in
den Schlitzen angeordnet wird und akkumuliert wird. Die Stände des
derzeitigen Schlitzes werden erhalten, während Pfade mit schlechtem Stand
verworfen werden. Wenn in Schritt 105 ein Laut-Ende erfaßt wird,
wird bestimmt, ob es ein Wort-Ende ist. Falls kein Wort-Ende erfaßt wird,
werden die vorangehenden Schlitze verworfen, wobei der Stand in
dem derzeitigen Schlitz akkumuliert wird. Wenn ein Wort erfaßt wird
(Schritt 107), wird für
das identifizierte Wort ein Wortschlitz erzeugt (Schritt 109),
wobei alle vorangehenden Schlitze verworfen werden und das identifizierte Wort
in das Suchnetz eingebaut wird. Daraufhin zeigt der Rückwärtszeiger
auf das vorangehende Wort.
-
Leider befördert das Netz, das lediglich
ein Ein-Wort-Ein-Schlitz-Netz ist, keine Satzpegelinformationen.
Satzpegelinformationen sind erforderlich, um eine Grammatik zu repräsentieren,
die beschreibt, wie Wörter
zusammengestellt werden können.
Es ist wenigstens ein Satzpegelschlitz an der Wortgrenze erforderlich, der
die Informationen liefert, um die Suche zu dem nächsten Wort fortzuführen. Ohne
diesen Satzpegelschlitz ist nicht bekannt, welches nächste Wort
ausgewertet werden soll, wenn das Auswerten des momentanen Wortes
abgeschlossen ist. Außer
zum Befördern
der Grammatikinformationen wird der Satzpegelschlitz auch zum Befördern der
N-Best-Informationen und zum Liefern einer Basis für die Satzpegel-Viterbi-Decodierung
verwendet.
-
Ausgerüstet mit dem obigen Verständnis des
Suchmechanismus kann nun bei gegebener Grammatik die Länge eines
Suchpfades begrenzt werden. Beispielsweise enthält der kürzestmögliche Pfad für eine Einworterkennungsgrammatik
ein Wort, drei Schlitze: S1WS2 , wobei W das Wort und S1 die
Ruhe vor dem Wort sowie S2 die Ruhe nach
dem Wort W ist.
-
Der längstmögliche Weg ist 4N + 3, wobei
es N Wörter
(Ruhe nicht gezählt),
N + 1 Ruheschlitze und 2N + 2 Satzschlitze gibt. Der längste Pfad
der drei Wörter
(beginnend mit Ruhe + das erkannte Wort + endend mit Ruhe) ist sieben
Schlitze: S1WsilS1 WS2WsilS2 , wobei
W einen Wortpegelschlitz und S einen Ruhepegelschlitz repräsentiert.
-
Für
eine 10-Zifferngrammatik besitzt der kürzestmögliche Weg 10 Ziffern + 11
Satzschlitze = 21 Schlitze. Der längstmögliche Weg besitzt 10 Zif fern
+ 11 Ruhe + 22 Satzschlitze = 43 Schlitze. Er ist unabhängig von der
Länge der
Eingangsäußerung und
hängt lediglich
von der Grammatik ab.
-
Dieses Minimierungsprinzip kann für eine Aufgabe
mit großem
Wortschatz leicht auf die Dreipegel-Suchstruktur (Satz-, Wort-,
Laut-Suchstruktur) verallgemeinert werden.
-
In der kontinuierlichen Spracherkennung
wird die Ruhe als ein Wort betrachtet. Die Grammatik ermöglicht an
allen Wortgrenzen ein optionales Ruhewort. Allerdings können die
Zwischenwortakustiken stark schwanken – Ruhe oder Hintergrundrauschen. Üblicherweise
werden von den Erfindern in dem Ruhemodell eine große Anzahl
von Mischungen verwendet, um die stark schwankenden Akustiken zu
erfassen.
-
Um den Suchpfad zu minimieren, soll
ein Ruhemodell alle Zwischenwortakustiken erfassen. Da es den Pfad
unnötig
verlängert,
soll nicht zugelassen werden, daß in einem Zwischenwortsegment
mehrere verschiedene Ruhemodelle erscheinen.
-
Die Spitzenschlitznutzung wurde an
zwei Aufgaben kalibriert: an der Einwort-Militäralphabeterkennung (7087 Dateien)
und an der Erkennung von 10 zusammenhängenden Ziffern (1390 Dateien).
-
Für
diese beide Aufgaben wurden zwei Bedingungen ausgeführt:
-
- – Verfolgungsbetriebsart,
die für
die Modellaktualisierung erforderlich ist.
- – Optimal
minimiertes Suchnetz, wie es in dieser Anwendung beschrieben ist.
-
In 6 sind
Spitzenschlitznutzungs-Histogramme graphisch dargestellt. In den
graphischen Darstellungen sind sie durch Kreis beziehungsweise Plus
repräsentiert.
Die X-Achse ist die Spitzenschlitzanzahl, während die Y-Achse die Anzahl
der Äußerungen
ist, die die minimalen X-Achsenschlitze erfordern, damit sie erfolgreich
geparst werden. Je weiter links die Verteilung ist, desto effizienter
ist die Suche.
-
Für
die Aufgabe der Einwort-Militäralphabeterkennung
sind das Maximum, der Mittelwert und die Standardabweichung der
Spitzenschlitznutzung:
-
-
Für
die Aufgabe der Erkennung von 10 zusammenhängenden Ziffern sind das Maximum,
der Mittelwert und die Standardabweichung der Spitzenschlitznutzung:
-
-
Das optimale minimierte Suchnetz
verringert die Spitzenschlitznutzung gegenüber der vorangehenden Leistung
der Erfinder für
beide Aufgaben um etwa 20%.
-
Es wurden Wege vorgeschlagen, um
das Suchnetz im Rahmen des vorliegenden Suchalgorithmus zu minimieren.
Die Suchpfadlänge
kann durch die Grammatik begrenzt werden und ist unabhängig von
der Länge der
Eingangsäußerung.
Im Vergleich zu der vorangehenden nicht optimalen Leistung der Anmelder
wurde eine 20%-ige Verringerung des Suchraums erreicht. Im Vergleich
zur Verfolgungsbetriebsart beträgt
die Verringerung 70% bis 80%. Üblicherweise
erfolgt die Verfolgungsbetriebsart unter Aufsicht, so daß die Spitzenschlitznutzung
nicht annähernd
so groß ist.
Wenn eine unbeaufsichtigte Modellaktualisierung erforderlich ist,
ist die Spitzenschlitznutzung aber, wie in den Histogrammdarstellungen
gezeigt ist, sehr hoch.
-
In dieser Anmeldung wurde eine Schlitz-Struktur
mit 8 Feldern verwendet. In einer weiteren Anwendung wird von den
Erfindern eine Möglichkeit
beschrieben, dies auf 5 Felder zu verringern. Wenn die in dieser Anmeldung
beschriebene Suchnetzminimierung mit der Schlitzgrößenverringerung
kombiniert wird, kann die 10-Ziffernaufgabe mit nur 1600 Schlitzen × 5 Wörtern =
8 K-Wörtern
des Suchraums (RAM) erledigt werden (siehe Y. H. Kao, "Reducing
Slot Size in Speech Recognition Search Network by Data Packing and
a New Slot Management Mechanism", TI Tech Report, 1998). In den
vorliegenden 1390 10-Ziffern-Äußerungen
erfordern lediglich zwei Äußerungen,
daß mehr
als 1600 Schlitze geparst werden.
