EP1723636A1 - Benutzer- und vokabularadaptive bestimmung von konfidenz- und rückweisungsschwellen - Google Patents

Benutzer- und vokabularadaptive bestimmung von konfidenz- und rückweisungsschwellen

Info

Publication number
EP1723636A1
EP1723636A1 EP05707860A EP05707860A EP1723636A1 EP 1723636 A1 EP1723636 A1 EP 1723636A1 EP 05707860 A EP05707860 A EP 05707860A EP 05707860 A EP05707860 A EP 05707860A EP 1723636 A1 EP1723636 A1 EP 1723636A1
Authority
EP
European Patent Office
Prior art keywords
speaker
recognition
confidence
recognized
user
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
EP05707860A
Other languages
English (en)
French (fr)
Inventor
Tobias Stranart
Andreas Schröer
Michael Wandinger
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Siemens AG
Original Assignee
Siemens AG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Siemens AG filed Critical Siemens AG
Publication of EP1723636A1 publication Critical patent/EP1723636A1/de
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
    • G10L15/065—Adaptation
    • G10L15/07—Adaptation to the speaker
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice

Definitions

  • the underlying technical procedure for speaker-independent speech recognition consists in the classification of recognition results in categories for the security of the recognition, e.g. [recognized with certainty, recognized with uncertainty, not in vocabulary].
  • categories for the security of the recognition e.g. [recognized with certainty, recognized with uncertainty, not in vocabulary].
  • the number and naming of these categories vary depending on the speech recognition technology used, as well as their treatment in the speech application. So it is e.g. conceivable that a voice application for uncertainly recognized words makes a query to the user.
  • a speech recognition system there is therefore the problem of providing as precise and error-free a division as possible into one of the above-mentioned categories for each recognition result.
  • the basis of the division into categories when classifying recognition results is a so-called confidence measure that is calculated by the speech recognition system for each recognition result.
  • the literature offers a variety of algorithms for calculating this figure.
  • Relevant for this invention is the framework in which suitable confidence measure threshold values are determined. These define the categories mentioned above for the security of the detection. It should be noted that a well chosen one In addition to the language and the modeling used (eg Hidden Markov Model), the threshold also depends on the speaker and the recognition vocabulary.
  • the speaker-independent detection is based e.g. on Hidden Markov modeling. It offers comfort for the user, since no special training (audition, enrollment) of the words to be recognized is required.
  • the vocabulary to be recognized must be known a priori.
  • phonetic or graphemic information about the words to be recognized There are standard methods for the graphemics of a word, i.e. convert its written form into its phonetic form, which is the form required by the speech recognition system.
  • speaker-dependent recognition is the dialing of a cell phone by name.
  • the names from the phone book were typically trained beforehand depending on the speaker (SD enrollment) - an acoustic model for recognition is generated based on the spoken form of a word.
  • the standard methods of speaker-independent detection do not work here, the thresholds of si detection are not transferable.
  • Predefined confidence measure threshold values for speaker-dependent vocabularies are typically not adapted to a speaker or a vocabulary and are therefore suboptimal per se. It can even go so far that they cannot be used at all.
  • Known approaches include the - less desirable - direct influence of the user on the thresholds, ie he is forced to influence the % sharpness x of the rejection of the detection system itself.
  • speaker-independent modeling of a word or vocabulary is adapted to a speaker through adaptive training.
  • the goal is to improve the recognition rate by recording speaker-specific characteristics.
  • the adaptation to a speaker can take place at the phoneme level or at the word level. Similar to the SD case, no solutions are known to take into account the impact of the additional training / adaptation process on the confidence threshold.
  • the object of the invention is to enable a meaningful determination of confidence measures and confidence thresholds, particularly in the case of speaker-dependent and speaker-adaptive speech recognition.
  • a target recognition result is provided in a method for determining confidence measures in speech recognition for a recognition process.
  • the recognition process is carried out and the confidence measure of the target recognition result is determined on the basis of information which is obtained when the recognition process is carried out.
  • a confidence threshold is preferably defined taking into account the confidence measure. This procedure is used in particular for speaker-dependent or speaker-adaptive speech recognition.
  • a confidence threshold can already be given and the confidence threshold is adjusted taking into account the confidence measure.
  • the confidence threshold is advantageously a confidence threshold for classifying recognition results into categories.
  • the categories include, for example, a category in which an utterance to be recognized is recognized as certain, a category in which an utterance to be recognized is recognized as unsure, and / or a category to which utterances are assigned that are not to be recognized cognitive vocabulary.
  • the procedure is a procedure for speaker-independent or speaker-adaptive speech recognition
  • the target is
  • Predetermined recognition result because in the recognition process a statement given to the user is recognized.
  • the method is a method for speaker-dependent speech recognition
  • the user is advantageously asked to speak an utterance to be recognized at least twice, the recognition result being the one time Provides target recognition result, while at other times, among other things, the confidence measure of the target recognition result is determined.
  • An arrangement that is set up to carry out one of the described methods can be implemented, for example, by programming and setting up a data processing system using means that belong to the aforementioned method steps.
  • a program product for a data processing system which contains code sections with which one of the described methods can be carried out on the data processing system, can be implemented by suitably implementing the method in a programming language and translating it into
  • a program product is understood to mean the program as a tradable product. It can be in any form, for example on paper, a computer-readable data medium or distributed over a network.
  • FIG. 1 shows a flow diagram of a speaker-adaptive training process with adjustment of confidence thresholds
  • FIG. 2 shows a flowchart of a speaker-dependent training process with adjustment of confidence thresholds
  • Figure 3 shows a detection process with adjustment of confidence thresholds.
  • the method presented here is based on using information that is obtained when a recognition process is carried out in which the target recognition result is known.
  • speaker adaptive training the user is shown the word to be spoken, so the target is known. This also applies to speaker-specific training, since the user speaks the word that is to be added to the vocabulary of speaker-dependent speech recognition. In this case of speaker-dependent speech recognition, however, it is necessary that the word to be added is spoken twice, since otherwise there is no word model that could serve as a target recognition result. However, this condition is met in very many cases, since most current speech recognition systems require a double training of speaker-dependent speech recognition for a variety of reasons.
  • the method can generally also be used in a recognition process if there is knowledge as to whether the recognition result is correct or whether this knowledge can be derived, for example from the user's reaction. This applies to all of the above cases of speaker-independent, speaker-dependent and speaker-adaptive speech recognition.
  • the utterances used for determining or adapting / improving the identity threshold are specific to the speaker and the vocabulary to be recognized. This is precisely the weak point of the methods described in the prior art.
  • FIG. 1 shows a speaker-adaptive training process with adjustment of the confidence thresholds.
  • the user carries out an adaptation process by speaking the words specified by the speech recognition system.
  • a recognition process is carried out for each utterance of the user and the confidence measure of the target recognition result is determined.
  • the confidence thresholds for categorizing are either defined or, if an iteration value already exists, adjusted accordingly.
  • these confidence thresholds are optimally adapted to the user.
  • they are also specific to the vocabulary of recognition and thus enable, for example, an improved rejection.
  • FIG. 2 shows a speaker-dependent training process with adjustment of the confidence thresholds.
  • the user first speaks the word to be added to the vocabulary.
  • the recognition system uses this data to generate a speaker-dependent reference word model, which is provisionally adopted in the vocabulary. Then the word is spoken again by the user.
  • This second pass is required by most of the speech recognition systems on the market anyway for reasons of securing, verifying and increasing the recognition performance. With this second utterance, a recognition process is carried out, and the confidence measure for the word model of the first pass is determined, which represents the target recognition result.
  • the confidence thresholds for the category classification are either defined or, if an iteration value already exists, adjusted accordingly.
  • FIG. 3 shows the sequence in a recognition process with adjustment of the confidence thresholds.
  • the user performs a recognition process.
  • the target result is known or can be derived the.
  • the confidence measure for the utterance is determined for this target recognition result, and the confidence thresholds for categorizing are adjusted accordingly.
  • these confidence thresholds are optimally adapted to users and vocabulary.
  • a special feature is the use of recognition processes with a known target recognition result.
  • the method allows their evaluation to determine a specific measure of identity. This means that for the first time a realistic result classification is possible for speaker-dependent and speaker-adaptive speech recognition.
  • the method can be used with different algorithms described in the literature for calculating a confidence measure.

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Machine Translation (AREA)

Abstract

Für einen Erkennungsvorgang einer Spracherkennung ist ein Soll-Erkennungsergebnis ableitbar oder bereits gegeben. Darüber hinaus wird der Erkennungsvorgang durchgeführt und ein Konfidenzmass des Soll-Erkennungsergebnisses bestimmt.

Description

Beschreibung
Benutzer- und vokabularadaptive Bestimmung von Konfidenz- und Rückweisungsschwellen
Die Erkennung menschlicher Sprache wird heutzutage auf einer Vielzahl von mobilen Geräten wie z.B. Mobiltelefonen, Personal Digitial Assistants (PDAs) und earables (MP3-Player, Uhren-Handy etc.) eingesetzt. Ein sehr wichtiges Kriterium für die Akzeptanz eines SpracherkennungsSystems durch den Benutzer ist dabei die Rückweisung von Worten, die nicht im Erkennerwortschatz enthalten sind (Out—Of—Vocabulary rejection, OOV rejection) .
Das hierfür zugrunde liegende technische Verfahren für sprecherunabhängige Spracherkennung besteht in der Klassifikation von Erkennungsergebnissen in Kategorien für die Sicherheit der Erkennung, z.B. [sicher erkannt, unsicher erkannt, nicht im Wortschatz] . Typischerweise variiert die Zahl und Benen- nung dieser Kategorien je nach verwendeter Spracherkennungs- technologie, ebenso wie ihre Behandlung in der Sprachanwendung. So ist es z.B. denkbar, dass eine Sprachanwendung für unsicher erkannte Worte eine Rückfrage beim Benutzer durchführt. Für ein SpracherkennungsSystem besteht somit das Prob- lern, für jedes Erkennungsergebnis eine möglichst präzise und fehlerfreie Einteilung in eine der oben erwähnten Kategorien zu liefern.
In aller Regel ist die Grundlage der Einteilung in Kategorien bei der Klassifikation von Erkennungsergebnissen ein so genanntes Konfidenzmaß, das vom SpracherkennungsSystem für jedes Erkennungsergebnis berechnet wird. Für die Berechnung dieser Maßzahl bietet die Literatur eine Vielzahl von Algorithmen. Maßgeblich für diese Erfindung ist der Rahmen in dem geeignete Konfidenzmaß-Schwellwerte bestimmt werden. Diese definieren die oben genannten Kategorien für die Sicherheit der Erkennung. Zu beachten ist, dass eine gut gewählte Schwelle neben der Sprache und der verwendeten Modellierung (z.B.Hidden Markov Model) auch vom Sprecher und vom Ξrkenner- vokabular abhängt .
Bisherige Lösungsansätze beruhen auf der aufwendigen, kritischen und nicht immer passenden, a-priori Bestimmung von Kon- fidenzschwellen an Hand von Datenbanken im Labor. Im Folgenden werden diese für drei Typen der Spracherkennung erläutert :
a) Sprecherunabhängige (speaker-independent, SI) Spracherkennung
Die sprecherunabhängige Erkennung basiert z.B. auf Hidden Markov Modellierung. Sie bietet Komfort für den Benutzer, da kein spezielles Training (Vorsprechen, Enrollment) der zu erkennenden Worte erforderlich ist. Allerdings muss der zu erkennende Wortschatz a priori bekannt sein. Typischerweise sind dies bei phonembasierten SpracherkennungsSystemen phone- tische oder graphemische Informationen über die zu erkennenden Wörter. Es existieren Standard-Verfahren um die Graphemik eines Wortes, d.h. seine geschriebene Form, in seine phonetische Form zu überführen, welches die Form ist, die vom SpracherkennungsSystem benötigt wird. Hier existieren ver— schiedene Verfahren um Konfidenzschwellwerte zu bestimmen, entweder auf Vokabular-Ebene oder auf Wort-Ebene. Diese Verfahren basieren auf Auswertung, der in diesem Fall bekannten, Informationen über die (phonetische) Wortmodellierung.
b) Sprecherabhängige (Speaker—dependent, SD) Spracherkennung
Ein Beispiel für sprecherabhängige Erkennung ist die Telefonbuch-Namenswahl eines Handys . Die Namen aus dem Telefonbuch sind typischerweise zuvor sprecherabhängig trainiert worden (SD-Enrollment)-, es wird anhand der gesprochenen Form eines Wortes ein akustisches Modell für die Erkennung generiert. Die Standardverfahren der sprecherunabhängigen Erkennung greifen hier nicht, die Schwellen der si-Erkennung sind nicht übertragbar. Zudem besteht eine starke Abhängigkeit vom gewählten Verfahren der sprecherspezifischen Wortmodellierung. Vorgegebene Konfidenzmaß-Schwellwerte für sprecherabhängige Vokabulare sind typischerweise nicht auf einen Sprecher oder ein Vokabular angepasst und somit per se suboptimal. Es kann sogar so weit gehen, dass diese überhaupt nicht verwendbar sind.
Zu den bekannten Lösungsansätzen gehört auch die - wenig wünschenswerte - direkte Einflussnahme des Benutzers auf die Schwellen, d.h., er wird gezwungen die %Schärfex der Rückwei— sung des Erkennungssystems selbst zu beeinflussen.
c) Sprecheradaptive (speaker-adaptive, SA) Spracherkennung
Dies ist eine Mischform aus sprecherunabhängiger Erkennung und sprecherabhängiger Erkennung: Die sprecherunabhängige Mo- dellierung eines Wortes oder Vokabulars wird durch adaptives Training an einen Sprecher angepasst. Ziel ist die Verbesserung der Erkennungsrate durch Erfassung sprecherspezifischer Eigenarten. Die Anpassung an einen Sprecher kann je nach verwendeter Erkenner-Technologie auf Phonem—Ebene oder auf Wort- Ebene erfolgen. Ähnlich wie im SD-Fall sind keine Lösungen zur Berücksichtigung der Auswirkung des zusätzlichen Trai- nings/Adapations-Vorgangs auf die Konfidenzschwelle bekannt.
Davon ausgehend liegt der Erfindung die Aufgabe zugrunde, ei- ne sinnvolle Bestimmung von Konfidenzmaßen und Konfidenz— schwellen insbesondere bei der sprecherabhängigen und spre— cheradaptiven Spracherkennung zu ermöglichen.
Diese Aufgabe wird durch die in den unabhängigen Ansprüchen angegebenen Erfindungen gelöst. Vorteilhafte Ausgestaltungen ergeben sich aus den abhängigen Ansprüchen. Dementsprechend ist in einem Verfahren zur Bestimmung von Konfidenzmaßen in der Spracherkennung für einen Erkennungsvorgang ein Soll-Erkennungsergebnis gegeben. Der Erkennungsvorgang wird durchgeführt und das Konfidenzmaß des Soll- Erkennungsergebnisses wird aufgrund von Informationen bestimmt, die gewonnen werden, wenn der Erkennungsvorgang durchgeführt wird.
Vorzugsweise wird unter Berücksichtigung des Konfidenzmaßes eine Konfidenzschwelle definiert. Diese Vorgehensweise kommt insbesondere bei der sprecherabhängigen oder sprecheradapti- ven Spracherkennung zur Anwendung.
Insbesondere wenn die Spracherkennung eine sprecherunabhängi- ge oder eine sprecheradaptive Spracherkennung ist, dann kann eine Konfidenzschwelle bereits gegeben sein und die Konfi- denzschwelle wird unter Berücksichtigung des Konfidenzmaßes angepasst .
Die Konfidenzschwelle ist vorteilhaft eine Konfidenzschwelle zur Klassifikation von Erkennungsergebnissen in Kategorien. Dabei enthalten die Kategorien beispielsweise eine Kategorie, in der eine zu erkennende Äußerung als sicher erkannt gilt, eine Kategorie, in der eine zu erkennende Äußerung als unsi— eher erkannt gilt, und/oder eine Kategorie, der Äußerungen zugeordnet werden, die nicht zum zu erkennenden Vokabular gehören.
Falls das Verfahren ein Verfahren zur sprecherunabhängigen oder sprecheradaptiven Spracherkennung ist, ist das Soll—
Erkennungsergebnis vorgegeben, weil im Erkennungsvorgang eine dem Benutzer vorgegebene Äußerung erkannt wird.
Ist das Verfahren dagegen ein Verfahren zur sprecherabhängi— gen Spracherkennung, so wird der Benutzer vorteilhaft aufgefordert, eine zu erkennende Äußerung mindestens zweimal zu sprechen, wobei beim einen Mal das Erkennungsergebnis das Soll-Erkennungsergebnis liefert, während beim anderen Mal unter anderem auch das Konfidenzmaß des Soll- Erkennungsergebnisses bestimmt wird.
Eine Anordnung, die eingerichtet ist, eines der geschilderten Verfahren auszuführen, lässt sich zum Beispiel durch Programmieren und Einrichten einer Datenverarbeitungsanlage mit zu den genannten Verfahrensschritten gehörigen Mitteln realisieren.
Ein Programmprodukt für eine Datenverarbeitungsanlage, das Codeabschnitte enthält, mit denen eines der geschilderten Verfahren auf der Datenverarbeitungsanlage ausgeführt werden kann, lässt sich durch geeignete Implementierung des Verfah- rens in einer Programmiersprache und Übersetzung in von der
Datenverarbeitungsanlage ausführbaren Code ausführen. Die Codeabschnitte werden dazu gespeichert. Dabei wird unter einem Programmprodukt das Programm als handelbares Produkt verstanden. Es kann in beliebiger Form vorliegen, so zum Beispiel auf Papier, einem computerlesbaren Datenträger oder über ein Netz verteilt.
Weitere Vorteile und Merkmale ergeben sich aus der Beschreibung von Ausführungsbeispielen. Dabei zeigt
Figur 1 Ein Ablaufdiagramm eines sprecheradaptiven Trainingsvorgangs mit Anpassung von Konfidenzschwellen;
Figur 2 ein Ablaufdiagramm eines sprecherabhängigen Trai— ningsvorgangs mit Anpassung von Konfidenzschwellen;
Figur 3 einen Erkennungsvorgang mit Anpassung von Konfidenzschwellen.
Das hier vorgestellte Verfahren basiert darauf, Informationen zu nutzen, die gewonnen werden, wenn ein Erkennungsvorgang durchgeführt wird, bei dem das Soll-Erkennungsergebnis bekannt ist .
Beim sprecheradaptiven Training wird dem Benutzer das zu sprechende Wort angezeigt, somit ist das Soll bekannt. Das gilt auch für das sprecherspezifische Training, da der Benutzer das Wort spricht, das zum Vokabular der sprecherabhängigen Spracherkennung hinzugefügt werden soll. Bei diesem Fall der sprecherabhängigen Spracherkennung ist allerdings vonnö- ten, dass das hinzuzufügende Wort zweimal gesprochen wird, da ansonsten kein Wortmodell existiert, das als Soll—Erkennungs- eregbnis dienen könnte. Diese Bedingung ist aber in sehr vielen Fällen erfüllt, da die meisten aktuellen Spracherken— nungssysteme aus vielfältigen Gründen ein doppeltes Training der sprecherabhängigen Spracherkennung verlangen.
Schließlich ist das Verfahren zusätzlich generell dann bei einem Erkennungsvorgang anwendbar, wenn Wissen darüber vorliegt, ob das Erkennungsergebnis korrekt ist bzw. dieses Wis- sen - etwa aus der Reaktion des Benutzers - abgeleitet werden kann. Dies betrifft alle obigen Fälle der sprecherunabhängigen, sprecherabhängigen und sprecheradaptiven Spracherkennung.
In jedem dieser Anwendungs älle für das Verfahren sind die zur Kon idenzschwellen-Bestimmung oder -Adaption/Verbesserung benutzten Äußerungen spezifisch für den Sprecher und das zu erkennende Vokabular. Dies ist genau die Schwachstelle der unter zum Stand der Technik beschriebenen Verfahren.
Das hier beschriebene Verfahren ist bestens geeignet, um optimale Konfidenzschwellwerte für den jeweiligen Sprecher zu bestimmen (für obige Falle der sprecherabhängigen und sprecheradaptiven Spracherkennung) oder um die Konfidenzschwell- werte anzupassen (für obige Fälle sprecherunabhängigen und sprecheradaptiven Spracherkennung) . In Figur 1 ist ein sprecheradaptiver Trainingsvorgang mit Anpassung der Konfidenzschwellen dargestellt. Der Benutzer führt einen Adaptionsvorgang durch, indem er die vom SpracherkennungsSystem vorgegebenen Worte spricht. Für jede Äuße- rung des Benutzers wird ein Erkennungsvorgang durchgeführt und das Konfidenzmaß des Soll-Erkennungsergebnisses bestimmt. Damit werden die Konfidenzschwellen zur Kategorie-Einteilung entweder definiert oder, falls bereits ein Iterationswert existiert, entsprechend angepasst. Diese Konfidenzschwellen sind im Gegensatz zu bisherigen Verfahren optimal an den Benutzer angepasst. Je nach Art der verwendeten Adaptionstechnik sind sie auch spezifisch für den Erkennungswortschatz und ermöglichen für diesen damit z.B. eine verbesserte Rückwei— sung.
In Figur 2 ist ein sprecherabhängiger Trainingsvorgang mit Anpassung der Konfidenzschwellen dargestellt. Der Benutzer spricht zuerst einmal das dem Wortschatz hinzuzufügende Wort. Aus diesen Daten erzeugt das Erkennungssystem ein sprecherab- hängiges Referenz-Wortmodell, das provisorisch in das Vokabular übernommen wird. Dann wird das Wort ein weiteres Mal vom Benutzer gesprochen. Dieser zweite Durchlauf wird von dem meisten im Markt befindlichen Spracherkennungssystem aus Gründen der Absicherung, Verifikation und Steigerung der Er- kennungsleistung ohnehin gefordert. Mit dieser zweiten Äußerung wird ein Erkennungsvorgang durchgeführt, und das Konfidenzmaß für das Wortmodell des ersten Durchlaufs bestimmt, wobei dieses das Soll—Erkennungsergebnis darstellt. Damit werden die Konfidenzschwellen zur Kategorie—Einteilung entwe— der definiert oder, falls bereits ein Iterationswert existiert, entsprechend angepasst. Diese Konfidenzschwellen sind optimal an Benutzer und Vokabular angepasst.
In Figur 3 kann man den Ablauf bei einem Erkennungsvorgang mit Anpassung der Konfidenzschwellen erkennen. Der Benutzer führt einen ErkennungsVorgang durch. Gemäß obiger Voraussetzung ist das Soll-Ergebnis bekannt oder kann hergeleitet wer- den. Für dieses Soll-Ξrkennungsergebnis wird das Konfidenzmaß für die Äußerung bestimmt, und die Konfidenzschwellen zur Kategorie-Einteilung werden entsprechend angepasst. Im Gegensatz zu dem bisherigen dem Stand der Technik sind diese Kon- fidenzschwellen optimal an Benutzer und Vokabular angepasst.
Das beschriebene Verfahren besitzt den Vorteil, dass das Rückfrage— und Rückweisungsverhalten eines Spracherkennungs- systems und damit die Benutzerakzeptanz wesentlich verbessert werden, da
- Konfidenzschwellen auto-adaptiv und optimal für den jeweiligen Benutzer bestimmt und daraufhin angepasst werden,
— Konfidenzschwellen auto-adaptiv und optimal für das jeweiligen Vokabular bestimmt und daraufhin angepasst werden, - Die aufwendige und kritische a—priori Bestimmung von Konfidenzschwellen nicht länger notwendig ist oder zumindest sehr an Bedeutung verliert, da das Verfahren die Möglichkeit bietet, Konfidenzschwellen iterativ gegen optimale Werte auszutauschen.
Ein besonderes Merkmal ist dabei die Ausnutzung von Erkennungsvorgängen mit bekanntem Soll-Erkennungsergebnis . Das Verfahren erlaubt deren Auswertung zur Bestimmung eines spezifischen Kon idenzmaßes . Somit wird erstmals eine realisti- sehe Ergebnis-Klassi ikation für sprecherabhängige und sprecheradaptive Spracherkennung möglich.
Das Verfahren kann mit unterschiedlichen, in der Literatur beschriebenen Algorithmen zur Berechnung eines Konfidenzmaßes angewendet werden.

Claims

Patentansprüche
1. Verfahren,
- bei dem für einen Erkennungsvorgang einer Spracherkennung ein Soll-Erkennungsergebnis ableitbar und/oder gegeben ist,
- bei dem der Erkennungsvorgang durchgeführt wird und ein Konfidenzmaß des Soll-Erkennungsergebnisses bestimmt wird.
2. Verfahren nach Anspruch 1, bei dem unter Berücksichtigung des Konfidenzmaßes eine Konfi- denzschwelle definiert wird.
3. Verfahren nach Anspruch 1, bei dem eine Konfidenzschwelle gegeben ist und die Konfi- denzschwelle unter Berücksichtigung des Konfidenzmaßes angepasst wird.
4. Anordnung nach einem der Ansprüche 2 oder 3, bei dem die Konfidenzschwelle eine Konfidenzschwelle zur
Klassifikation von Erkennungsergebnissen in Kategorien ist.
5. Verfahren nach Anspruch 4, bei dem die Kategorien eine Kategorie enthalten, in der eine zu erkennende Äußerung sicher erkannt ist, eine Kategorie, in der eine zu erkennende Äußerung unsicher erkannt ist, und/oder eine Kategorie, in der erkannt wird, dass eine Äußerung nicht zu einem zu erkennenden Vokabular gehört.
6. Verfahren nach einem der vorhergehenden Ansprüche, bei dem das Verfahren ein Verfahren zur sprecherunabhängigen oder sprecheradaptiven Spracherkennung ist und im Erkennungsvorgang eine dem Benutzer vorgegebene Äußerung erkannt wird.
7. Verfahren nach einem der vorhergehenden Ansprüche, bei dem das Verfahren ein Verfahren zur sprecherabhängigen Spracherkennung ist und ein Benutzer eine zu erkennende Äuße- rung mindestens zweimal spricht, wobei beim einen Mal das Erkennungsergebnis das Soll-Erkennungsergebnis liefert, während beim anderen Mal das Konfidenzmaß des Soll- Erkennungsergebnisses bestimmt wird.
8. Anordnung, die eingerichtet ist, ein Verfahren nach einem der vorhergehenden Ansprüche auszuführen.
9. Programmprodukt für eine Datenverarbeitungsanlage, das Co- deabschnitte enthält, mit denen ein Verfahren nach einem der
Ansprüche 1 bis 7 auf der Datenverarbeitungsanlage ausführbar ist .
EP05707860A 2004-03-12 2005-01-27 Benutzer- und vokabularadaptive bestimmung von konfidenz- und rückweisungsschwellen Withdrawn EP1723636A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102004012206 2004-03-12
PCT/EP2005/050342 WO2005088607A1 (de) 2004-03-12 2005-01-27 Benutzer- und vokabularadaptive bestimmung von konfidenz- und rückweisungsschwellen

Publications (1)

Publication Number Publication Date
EP1723636A1 true EP1723636A1 (de) 2006-11-22

Family

ID=34960275

Family Applications (1)

Application Number Title Priority Date Filing Date
EP05707860A Withdrawn EP1723636A1 (de) 2004-03-12 2005-01-27 Benutzer- und vokabularadaptive bestimmung von konfidenz- und rückweisungsschwellen

Country Status (3)

Country Link
US (1) US8874438B2 (de)
EP (1) EP1723636A1 (de)
WO (1) WO2005088607A1 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110457630A (zh) * 2019-07-30 2019-11-15 北京航空航天大学 一种开源社区异常点赞用户的识别方法及系统

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070124147A1 (en) * 2005-11-30 2007-05-31 International Business Machines Corporation Methods and apparatus for use in speech recognition systems for identifying unknown words and for adding previously unknown words to vocabularies and grammars of speech recognition systems
US8010358B2 (en) * 2006-02-21 2011-08-30 Sony Computer Entertainment Inc. Voice recognition with parallel gender and age normalization
US7778831B2 (en) * 2006-02-21 2010-08-17 Sony Computer Entertainment Inc. Voice recognition with dynamic filter bank adjustment based on speaker categorization determined from runtime pitch
US8239203B2 (en) * 2008-04-15 2012-08-07 Nuance Communications, Inc. Adaptive confidence thresholds for speech recognition
US8639508B2 (en) * 2011-02-14 2014-01-28 General Motors Llc User-specific confidence thresholds for speech recognition
EP3065132A1 (de) * 2015-03-06 2016-09-07 ZETES Industries S.A. Methode und System zur Bestimmung der Gültigkeit eines Elements eines Spracherkennungsergebnisses

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4181821A (en) * 1978-10-31 1980-01-01 Bell Telephone Laboratories, Incorporated Multiple template speech recognition system
US5625748A (en) * 1994-04-18 1997-04-29 Bbn Corporation Topic discriminator using posterior probability or confidence scores
US5737489A (en) 1995-09-15 1998-04-07 Lucent Technologies Inc. Discriminative utterance verification for connected digits recognition
US6012027A (en) * 1997-05-27 2000-01-04 Ameritech Corporation Criteria for usable repetitions of an utterance during speech reference enrollment
EP1011094B1 (de) * 1998-12-17 2005-03-02 Sony International (Europe) GmbH Halbüberwachte Sprecheradaptation
CA2748396A1 (en) * 1999-10-19 2001-04-26 Sony Electronics Inc. Natural language interface control system
US6778959B1 (en) * 1999-10-21 2004-08-17 Sony Corporation System and method for speech verification using out-of-vocabulary models
US6473735B1 (en) * 1999-10-21 2002-10-29 Sony Corporation System and method for speech verification using a confidence measure
US7941313B2 (en) * 2001-05-17 2011-05-10 Qualcomm Incorporated System and method for transmitting speech activity information ahead of speech features in a distributed voice recognition system
US7203643B2 (en) * 2001-06-14 2007-04-10 Qualcomm Incorporated Method and apparatus for transmitting speech activity in distributed voice recognition systems
US7089188B2 (en) * 2002-03-27 2006-08-08 Hewlett-Packard Development Company, L.P. Method to expand inputs for word or document searching
US6983246B2 (en) * 2002-05-21 2006-01-03 Thinkengine Networks, Inc. Dynamic time warping using frequency distributed distance measures
EP1377000B1 (de) * 2002-06-11 2009-04-22 Swisscom (Schweiz) AG Verfahren, angewandt in einem sprachgesteuerten automatischen Rufnummernauskunftsystem
US7363224B2 (en) * 2003-12-30 2008-04-22 Microsoft Corporation Method for entering text

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See references of WO2005088607A1 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110457630A (zh) * 2019-07-30 2019-11-15 北京航空航天大学 一种开源社区异常点赞用户的识别方法及系统
CN110457630B (zh) * 2019-07-30 2022-03-29 北京航空航天大学 一种开源社区异常点赞用户的识别方法及系统

Also Published As

Publication number Publication date
US8874438B2 (en) 2014-10-28
US20070213978A1 (en) 2007-09-13
WO2005088607A1 (de) 2005-09-22

Similar Documents

Publication Publication Date Title
DE69831114T2 (de) Integration mehrfacher Modelle für die Spracherkennung in verschiedenen Umgebungen
DE602006000090T2 (de) Konfidenzmaß für ein Sprachdialogsystem
DE60302407T2 (de) Umgebungs- und sprecheradaptierte Spracherkennung
DE60125542T2 (de) System und verfahren zur spracherkennung mit einer vielzahl von spracherkennungsvorrichtungen
DE112010005959B4 (de) Verfahren und System zur automatischen Erkennung eines Endpunkts einer Tonaufnahme
DE69818231T2 (de) Verfahren zum diskriminativen training von spracherkennungsmodellen
DE69635655T2 (de) Sprecherangepasste Spracherkennung
DE112018002857T5 (de) Sprecheridentifikation mit ultrakurzen Sprachsegmenten für Fern- und Nahfeld-Sprachunterstützungsanwendungen
DE60004331T2 (de) Sprecher-erkennung
DE60128270T2 (de) Verfahren und System zur Erzeugung von Sprechererkennungsdaten, und Verfahren und System zur Sprechererkennung
DE69924596T2 (de) Auswahl akustischer Modelle mittels Sprecherverifizierung
EP1723636A1 (de) Benutzer- und vokabularadaptive bestimmung von konfidenz- und rückweisungsschwellen
EP1611568A1 (de) Dreistufige einzelworterkennung
EP1264301B1 (de) Verfahren zur erkennung von sprachäusserungen nicht-muttersprachlicher sprecher in einem sprachverarbeitungssystem
DE10006930B4 (de) System und Verfahren zur Spracherkennung
DE60034772T2 (de) Zurückweisungsverfahren in der spracherkennung
DE10119284A1 (de) Verfahren und System zum Training von jeweils genau einer Realisierungsvariante eines Inventarmusters zugeordneten Parametern eines Mustererkennungssystems
EP1199704A2 (de) Auswahl der alternativen Wortfolgen für diskriminative Anpassung
DE10304460B3 (de) Generieren und Löschen von Aussprachevarianten zur Verringerung der Wortfehlerrate in der Spracherkennung
DE102010040553A1 (de) Spracherkennungsverfahren
WO2001086634A1 (de) Verfahren zum erzeugen einer sprachdatenbank für einen zielwortschatz zum trainieren eines spracherkennungssystems
DE60014583T2 (de) Verfahren und vorrichtung zur integritätsprüfung von benutzeroberflächen sprachgesteuerter geräte
DE102004017486A1 (de) Verfahren zur Geräuschreduktion bei einem Sprach-Eingangssignal
WO2005069278A1 (de) Verfahren und vorrichtung zur bearbeitung eines sprachsignals für die robuste spracherkennung
EP1224661B1 (de) Verfahren und anordnung zur verifikation eines sprechers anhand eines rechners

Legal Events

Date Code Title Description
PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

17P Request for examination filed

Effective date: 20060731

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): DE FR GB IT

DAX Request for extension of the european patent (deleted)
RBV Designated contracting states (corrected)

Designated state(s): DE FR GB IT

17Q First examination report despatched

Effective date: 20070625

RAP1 Party data changed (applicant data changed or rights of an application transferred)

Owner name: SIEMENS AKTIENGESELLSCHAFT

RAP1 Party data changed (applicant data changed or rights of an application transferred)

Owner name: SIEMENS AKTIENGESELLSCHAFT

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE APPLICATION IS DEEMED TO BE WITHDRAWN

18D Application deemed to be withdrawn

Effective date: 20140801