TW299437B - - Google Patents

Description

經濟部中央標準局員工消費合作社印製 A7 B7 五、發明説明（i ) 發明背景 1. 發明領域 本發明係有關於語言識別及在連貫性的語言中之命令檢 測。 2. 技術背景 命令識別系統（Command Spotting Systems)對於人類的語 音是敏感的，在廣泛的消費產品中，是有高度需求。在電 訊裝置中，典型的運作像開/關，傳送/接收，音量大小， 按鍵撥號，語言識別器訓練，及電話回話裝置功能，可藉 監聽一個語音輸入頻道，每當特定語調（命令）出現時，即 採取適切的動作來完成。對於每個此系統識別之命令而言 ，可主張一個統計模型如技術界所熟知的隱藏式馬可夫模 型（hidden Markov model，HMM)。 在操作過程中，傳統的命令識別系統在目前觀察的輸入 中，連續產生關於命令字之位置及同一性的推測 (conjectures)或假説（hypotheses)。每個假説對比一個個別 命令模型來測試，並可產生其個別可能性（likelihood)之分 數（score)。分數可藉傳統的Viterbi計算而得。如果分數超 過門限値T，假説就會視爲被接受的，並且相關的動作就 開始，否則，此假説就被否決。無論一個正確或錯誤的假 説，其分數之機率分佈（probability distribution)取決於不 同的行爲者，包括説話者，轉換器，及語音環境。固定門 限値T通常設定得很高，以保證對大量的使用者來説，整 個運作範園中，有一個可接受的低錯誤警告率（false alarm -4- 本紙張尺度適用中國國家橾準（CNS ) A4規格（210X 297公釐） (請先閲讀背面之注意事項再填寫本頁) 装. A7 B7 經濟部中央標準局員工消費合作社印製 五、發明説明（2 ) rate)。不幸的是，由於使用者語音特徵及環境狀況有很大 的差異存在，所選定的門限對有些使用者會運作得較其他 使用者爲佳。不易超出門限之使用者，一般而言會被系統 所忽略。經常被否決的使用者之問題的解決，其技術專注 於降低門限値。然而，如門限設得太低，對一般使用者會 導致大量無法接受之錯誤正向假説。 發明概述 根據本發明，先前技術上述之缺陷，可藉一個變動準則 語 & 識別（a variable criteria speech recognition)技術來避免 ，其適用於命令識別及單獨字識別β 一個識別準則或一組識別準則，是由使用者從數個識別 準則或多組識別準則中挑選而來。將語調和一個或多個諸 兵模型相比較，可決定每次比較之相似性度量。藉著此一個 或多個相似性度量可決定最匹配此語調之語言模型。將對 應於最匹配語言模型的相似性度量作分析，可決定是否此 相似性度量滿足所選之識別準則組。 有些識別準則用來增加識別之門限，其他則用來減低識 別之門限。根據本發明的解説性具體實施例，使用本發明 語S識別系統及方法之一個裝置的諸使用者，有能力去選 擇一組應用於聲音語調的識別準則。舉例來説，選擇裝置 可包括一特徵選項或一切換設定。一組識別準則的選擇可 以每個使用者爲主來執行，以每個命令爲主來執行，以每 個命令群爲主來執行，或以所有的組合來執行。 本案指出本發明的各種新穎特性，特別在附屬並形成部 -5 - 本紙張尺度適國家標準（c ^ (請先閲讀背面之注意事項再填寫本頁) 装· 訂 1— I I- I ^1— 經濟部中央標準局員工消費合作社印製 發明説明（ 分揭示的申請專利範固。爲了更了解本發明、其操作優點 及其使料獲㈣制目的，應該參考伴隨㈣s及敛述 ’其中列舉及説明幾個本發明的具應實施例。 附圈簡述 當連帶閲覽附圈時，接下來詳細的説明，會使得本發明 的特徵及優點變得更容易瞭解，其中； 圈1是一解説性裝置的方塊圈，其配置用以使用本發明 之使用者可選擇多重門限準則； 圈2描述一方塊流程躅，其描述語言識別的性能，用以 提供一個囷1的解説性裝置的控制界面；及 圖3顯示一方塊流程圖，其描述使用者根據本發明的具 體實施例，手動選擇一組準則的處理過程。 本發明之詳細説明 爲了清楚解釋起見，本案提出本發明的解説性具體實施 例，包括個別的功能性方塊（包括標記爲"處理器，，的功能性 方塊）。這些方塊所代表的功能可透過共用或專用硬趙來 實行，其硬體包括但不限定於可以執行軟體之硬體。例如 ，圖1之處理器的功能可藉著如數位信號處理器（DSP)的單 一共用處理器來實行。然而，應該注意的是，這裡使用的 名詞"處理器”並非專指可執行軟體之硬體。 圖1提出本發明之解説性具體實施例，是有關於一使用 語言識別之電話回答装置。然而，期待的是本發明的敎示 是同等應用於任何需要語音運作控制界面的裝置。例如， 根據本發明在語音識別中使用可選擇多重門限準則，可輕 (請先閲讀背面之注意事項再填寫本頁) m ί ί _ 袈· -6 本紙張尺度適用中國國家標準（CNS ) Α4規格（21〇'Χ297公釐） 經濟部中央標準局員工消費合作社印製 A7 ------- Β7 五、發明説明（4 ) 易延仲去控制傳統家庭和商業電話，㈣和蜂巢電話，個 二數據編組器’傳眞機，電腦（例如個人電腦）及電腦終端 如圈1所示，在任何事件中，裝置10包括一個麥克風12 ’用以接收來自使用者之輸入語言’一個語言識別系統η ，以及一個裝置控制處理器16，用以指示裝置1〇之各種功 能性元件的運# 〇在解説性具艘實施例中，$置1〇是用來 作爲一個回答機器，這些元件包括一音頻處理器18，一揚 聲器20，一訊息儲存單元22，以及一線路界面（丨& interface) 24,用以藉—電話線(未示出）將音頻信號傳送至 呼叫方（calling party)，以及從呼叫方接收音頻信號。

首頻處理器18是傳統的技術，且在裝置控制處理器“的 控制下有不同的功能。例如，音頻處理器〗8接收來自麥克 風12及線路介面24的音頻輸入信號》當這些信號被任何特 定的電話系統所要求時，即被處理並以一適當的格式儲存 在訊息儲存器22中，其格式可以是類比或數位的。處理器 18更將代表輸出訊息或接收自一呼叫方的訊息之語音輸出 信號，分別送至線路介面24或揚聲器20。同時，音頻處理 器將諸如裝置控制處理器16的語音提示之訊息，編竭成音 頻信號並且將它們送至揚聲器20。 B 装置控制處理器16也可是傳統上的設計。如前面所指出 的，處理器16控制電話呼叫程序及回答機裝置1〇的—般運 作。裝置控制處理器16接收來自語言識別系統14及音頻處 理器18的輸入，並且提送控制指令至語言識別系統14及音 本纸張尺度適用中國國家標準（CNS ) A4規格（210X297公釐） ---------f ·装------訂 (請先閲讀背面之注意事項再填寫本頁) A7 B7 ^9437 五、發明説明（ 頻處理器18 »處理器16亦接收來自準則選擇開關26的輸入 。準則選擇開關26允許使用者從多重識別準則中選擇，以 改善語言識別系統14的性能，其將在稍後詳述。響應於使 用者選擇之輸入，裝置控制處理器16藉著傳送適當的指示 ，改變語言識別系統14的操作模式，敘述如下： 參考圖1 ’可以看到語言識別系統14包括一個傳統的類 比-數位（A/D)轉換器28，用以將麥克風12的所獲取之音頻 信號，轉換成數位樣本流；一個數位信號處理器30，如 AT&T DSP 10A，將A/D轉換器28所產生的數位信號樣本作 處理；一個ROM 32，其包含數位信號處理器3〇所執行之 程式指令；一個RAM 34，其中暫時計算結果儲存在此； 以及一個HMM參數記憶體36，它是一非易失性記憶體， 如EEPROM，ROM，快閃RAM，附加電池RAM等，以及在 解説性具體實施例中，包括至少兩組用以識別片語之隱藏 馬可夫模型（HMM)的參數。如那些習知技術者所容易察知 ，一個或多個裝置28，30，32，34及36可設於相同的電子 晶片上。 語言識別系統14藉著來自處理器16的信號，設定在命令 識別模式，顯示沒有由使用者所開啓的裝置控制動作目前 是尚未決定的。在這個模式中，系統14檢查每個來自A/D 轉換器28的輸入語；語調，是否有命令片語的存在，其中 ，一個或多個HMMs是儲存在hmm參數記憶體36中。換句 話説，在命令識別模式中，識別器14採用記憶體36中的 HMMs，其對應到命令片語，諸如"訊息播放，，，，，記錄輸出 本紙張尺度適用中國國家標準（CNS ) Λ4規格（ ! 1^1 I n n ml —^1 ^^1 In I ιι Jn - . (請先閱讀背面之注意事項再填寫本頁) 經濟部中央標準局員工消費合作社印製 -8- 經濟部中央標準局員工消費合作社印裝 A7 _____B7_ 五、發明説明（6 ) 訊息"，"下個訊息"，"倒帶"等等。習知技術者當然容易察 知的是，HMMs只是例舉那些可以採用的模型，且任何適 當的模型都可使用。來自使用者的語調被接受爲一命令， 如果此命令的存在是被系統14所證實。否則，此語調就否 決。如果假設被接受，一個表示一特定命令片語已被偵測 的信號就會由語言識別器14送至裝置控制處理器16。裝置 控制處理器16然後開啓與此命令相關的操作。如果此語調 被否決’就沒有訊息送到裝置控制處理器16。響應於接受 命令的處理器16的操作，是傳統的技術。 現在參考圈2，顯示的是語言識別系統14的數位信號處 理器30的處理過程方塊流程圖。每個方塊代表—個不同的 處理功能，其可以儲存於ROM 32的程式副程序來實施。 語言識別牵涉到的四個基本步樣是：特性擷取，時間定位 ’圖樣相似性量測及決定策略。目前的語言識別系統使用 各種技術來執行這些基本步驟。每個方法有其性能及混合 成本。典型的語言識別策略是連續"掃瞄"輸入的語言數據 ，執行動態程式’計算一相似性量測或説出的語調和错存 的參考圈樣之間的·•距離"，及決定是否此相似性量測足夠 接近一預期値，以宣稱此語調被識別。 繼續參考圈2，看到的是A/D轉換器28提供的語言樣本由 傳統的語言擷取器40所處理，以產生一語言特徵向量流， 典型的頻率是100向量/秒到200向量/秒。現在有各種信號 處理技術藉著有利於語言識別的時變參數來代表一語言信 號。適當的信號處理轉換例爲直接頻譜量測（居間的是一 -9 - 本紙張尺度適用中國國家標準（CNS )八4祕（21〇χ297公釐） --- -I ^^1 ^—^1 —^1-------- - (錆先閱讀背面之注意事項再填寫本頁) 經濟部中央標準局員工消費合作社印製 A7 _________ B7 五、發明説明（7 ) 組帶通濾波器或一離散傅立葉轉換），能量頻譜及一組逋 當的線性預測模型（LPC)參數（查照J.D. Markel和A.H. Gray， Jr.,"線性語言預測"，Springer-Verlag, New York (1976))。 在圈2的解説性具體實施例中，每個向量包括10到30的語 言特徵成分，其語言特徵是有關於語言能量，增量（deUa， △)語言能量，能量頻譜係數及增量（delta, Δ )能量頻譜係 數。特徵向量流經由傳統終端點偵測器42所處理，其偵測 器決定語言中的語調起點與終點。終端點偵測器的輸出包 括有限的語言向量序列，其中每個向量序列對應到單一個 語調。 在特徵擷取/終端點偵測之後，下個基本步驟是一相似性 量測的計算，其相似性量測是介於一儲存參考和擷取自語 調的時間標準化（time-normalized)參數之間。最後，假設 器43接收輸出自終端點偵測器42的語言向量序列，且產生 一有關言辭内容的假設。在這種情況下，當片語模型參數 方塊44指示時，假設器43使用片語的HMM模型，其片語 參數被儲存起來，當背景模型參數方塊45指示時，假設器 43使用HMM背景模型，其參數被儲存起來。名詞"背景"指 的是靜止、雜音或任何不是命令片語的語言。實質上，這 些模型全都位於圈1的HMM參數記憶體36中。 假設器43製造兩種假設。第—種假設（被稱爲"背景假設，，) 假設特徵向量序列共包括背景。第二種假設（被稱爲"片語 假設”）假設特徵向量序列包括一個命令字，可能有背景在 之前或之後。對這二個假設的每一個而言，假設器應用一 -10- 本紙張尺度適用中國國家標準（CNS ) A4規格（210X297公釐） ~ (請先閱讀背面之注意事項再填寫本頁) *vs 經濟部中央標準局員工消費合作社印製 A7 _____B7 五、發明説明（8 ) 個傳統動態程式最佳化程序，如Viterbi解碼（或計算） (Viterbi decoding (or scoring))，其程序決定最可能的假設 及一個此假設的估計可能性的相對數値（或分數〉。 此外，動態程式程序產生一些額外的片語假設參數，其 參數被稱爲”匹配參數"。最可能片語假設期望片語期間和 對應於最可能片語假設的語調的假設器決定之片語期間， 兩個片語期間的差異產生第一匹配參數。最可能假設的期 望HMM狀態期間和假設器43決定的狀態期間，兩者之間 r 的差的絕對値平均，產生第二匹配參數。最佳片語假設和 次佳片語假設，兩者的最可能假設的可能性分數之差產生 第三匹配參數。如熟知技術者所能輊易探知的，使用在產 生匹配參數中的數據是可獲得作爲傳統採用HMMs和 Viterbi計算的語言識別處理過程一部分。 假設器43的輸出包括，一最可能片語假設；一相對應的 分數，其是片語假設可能性估計和背景假設可能性估計的 對數差；和匹配參數。確認器46接收假設器43的輸出，並 且檢查每個匹配參數是否在一相對應的預定範固之内。確 認器檢查第一匹配參數是否在-1/2到1之間的範園内。確認 器46檢查第二匹配參數是否在1〇〇毫秒的範困内。確認器 也檢查第三匹配參數是否在最佳假設分數的百分之十的範 圍内（任何這些範圍可變動以適應特殊的操作環境）。如果 匹配參數是在預定的範固内，確認器會將此假設及其個別 分數送至決定器47。否則，此假設會被否決。 決定器47決定是否接受或否決最可能片語假設。如果假 -11 - 本紙張尺度適用中國國家標率（CNS ) A4規格（210'乂297公釐1 '~~' I I I I I ^ ^ I I n 訂 I I I I I A {請先閲讀背面之注意事項再填寫本頁) 經濟部中央標準局員工消費合作社印製 A7 ———_____ B7_ 五、發明説明（9 ) 設是被決定器47接受，此假設就被報告到圖1的裝置控制 處理器16。決定器47作其決定的方法可解釋爲圖3的方塊 流程圖。 圖3的流程圈開始於步驟5〇，其中接收到的是假設片語 及其相對應分數。根據本發明的簡化具體實施例，控制是 專注於方塊52，其中門限T是設爲數個儲存在記憶體中的 固定値ΤΙ，T2，T3，T4或T5中的一個，其記憶體可爲 RAM 34或ROM 32。在正常的情況下’對一個”普通"的使 用者而言，在傳統的方式中，T3是一個運作得很好的内定 値。T2和T1値是選擇來獲得一增加的正向識別可能性（如 20%及40%分別相對於内定値的設定的更高機率），代價是 錯誤正向警告的增加，而T4和T5値是選擇來獲得一減少的 正向識別機率（如-15%及-30%，分別相對於内定値的設定） ，代價是錯失命令的增加。對應於所選擇的識別準則的値 設定爲Ts，且和獲得的假設分數作比較（方塊5 4)。如果分 數超過Ts，假設就會被接受（方塊56)。如果分數就會被否 決（方塊58)。如方塊60所指示的，接受/否決的決定會以傳 統的方式輸出爲裝置控制處理器16所用。 在本發明的更複雜具體實施例中，從數個準則組中選擇 一組門限或準則組，在方塊5 2所表示的操作中，每組準則 相較於内定的一組準則，使得一個命令更可能或更不可能 被識別，其取決於所選的特別組別。關於此事，要注意的 是’由於輸入字被識別成產生最大可能性的模型，藉著計 算以每個儲存字模型來產生一未知輸入工作圏樣之可能性 -12- 本紙張尺度適用中國國家標準（CNS ) A4規格（210X297公釐） --------,衣------訂------《I (請先閱讀背面之注意事項再填寫本頁) 10 、發明説明（ ’ p以το成HMM單字識別。模型的正確性可被如下的準則 影響，如語調終端點的位置，語調持續期間，及每個敘述 中的訊枢（frames)數目。在傳統的方法中，這些準則的每 個叩個別依照使用者輸入的選擇來調整，以便達成一增加 的識別可能性’代價是就普通使用者而言’更頻繁的錯誤 正向結果，或是就少數使用者而言，要有較大的正確性， 代價就是一減少的識別可能性。每個準則的内定値以傳統 的方式最佳化’在正常的環境下提供普通的使用者最佳的 結果，其内定値可在缺乏輸入使用者選擇的情沉下使用。 藉由額外的例子，其中電訊裝置1〇配置成無線電話，語 s識別系統14藉著來自裝置控制處理器14的信號，可從命 令識別模式切換成播號模式，其表示使用者已開啓一撥號 程序。此撥號程序可藉著按一按鍵按鈕或説出一啓動撥號 操作的命令片語（如”撥號來開啓，在這個模式中，識別 器14使用名字片語（name phraseswHMMs(而不是上述命令 識別模式中的命令片語），其令每個名字片語與一相對應 的電話號碼有關。這樣的名字片語HMMs和相關的電話號 碼是儲存於記憶體34中。如果識別器14接受名字片語的語 調，表示名字片語識別已接受的訊息就送到裝置控制處理 器16。裝置控制處理器16然後撥與已識別的名字片語有關 的電話號碼，並通知使用者名字已正確識別。然而，如果 語言識別器14否決語調，它依然送—訊息到裝置控制處理 器16，表示語調已被否決。裝置控制微處理器然後提醒使 用者重複此語調。藉著在一適當聲音訊息的音頻重製之後 ^ ^------訂------《丨 (請先閱讀背面之注意事項再填寫本頁) 經濟部中央標準局員工消費合作社印裝 -13-

A7 B7 五、發明説明（·η ) 的不同單音，可完成此通知和提醒。 從上述可以容易探知的是，本發明並不限於上述提出作 爲例子的具體實施例，而可在後附之申請專利範圍所定義 的延伸保護範圍内，以各種方式修改。 --------,衣------訂------4 丨 (請先閲讀背面之注意事項再填寫本頁) 經濟部中央標準局員工消費合作社印製 -14- 本紙張尺度適用中國國家標準（CNS ) A4規格（210X297公釐）

Claims (1)

1. Α8 Β8 C8 D8 τ、申請專利範圍 1 種語言識別器裝置，用以基於一語調來識別一個至少 包括一個單字的片語，此裝置的特徵爲： —選擇模組2 6，用以從數個識別準則的儲存等級之一 中’選擇至少一個識別準則，對一給定之語調，每個儲 存等級聯想到一相對應識別機率； —比較器模組43，對於選擇模組的反應迅速，用以決 定對應於一最匹配之語言模型的相似性度量，是否滿足 所選擇的識別準則；及 —識別器模組47，當所選擇的識別準則能滿足時，用 以將語調識別爲對應於該最匹配之語言模型的片語。 2_如申請專利範圍第1項的裝置，其特徵爲一語言模型反 映一個或多個預定字。 3·如申請專利範困第2項的裝置，其特徵爲一預定字包括 —使用裝置之一命令字。 4·如申請專利範園第2項的裝置，其特徵爲一使用裝置。 5. 如申請專利範固第4項的裝置，其特徵爲此使用裝置是 —具電話。 6. 如申請專利範圍第4項的裝置，其特徵爲此使用裝置是 —回答裝置。 7 ·如申請專利範固第2項的裝置，其特徵爲每個識別準則 包括一門限，及其中比較器模組是將對應於該最匹配之 語言模型的相似性度量和所選擇的準則組之C限作比較 〇 8_如申請專利範固第7項的裝置，其特歡爲該識別準則之 -15 * 本紙張尺度適用中國國家標準（CNS ) Α4規格（210X25»7公釐〉 (請先閲讀背面之注意事項再填寫本頁) 訂 經濟部中央標準局員Η消費合作社印製 A8 B8 C8

   經濟部中央標準局員工消費合作社印製 错存等級包括一内定等級，在正常的情況下被最佳化以 作一個普通使用者之用，至少有一個等級的識別機率大 於該内定等級，及至少有一個等級的識別機率小於該内 定等級，且其中選擇裝置可由使用者所操作，以選擇諸 識別準則等級之一。 9. 一種型式包括一麥克風12的電訊裝置，該電訊裝置的特 徵爲： —語言識別1 4 ’用以基於一語調來識別一個包括至少 一個字的片語，此語言識別器包括： 一選擇模組2 6，用以從數個識別準則的儲存等級之一 中’選擇至少一識別準則，每個儲存等級是有闞於—個 給定語調的一相對應識別機率； —比較器模組43，響應於用以選擇之選擇模组，用以 決定對應於一最匹配的語言模型的一相似性度量，是否 滿足所選擇的準則；及 —裝置控制電路16，藉該語言識別器響應於一語調之 識別。 10_如申請專利範圍第9項的電訊裝置，其特徵在於，該裝 置控制電路16是一電話電路，用以提供反應一語詞識別 的電話運作。 11.如申請專利範固第1〇項的電訊裝置，其特徵在於： —無線電收發訊機；及 —音頻處理器，用以作爲麥克風和電話電路，兩者與 收發訊機間的界面，此音頻處理器響應於電話電路提供 -16- 本紙張尺度適用中國國家標準（CNS ) A4規格（210X297公釐） 1111Λ衣 訂— I ^I » f請先閱讀背面之注意事項再填寫本頁} ABCD 六、申請專利範圍 之諸控制信號。 12_如申請專利範固第10項的電訊裝置，其特徵在於該裝置 控制電路是一回答機器電路，用以音頻重製儲存之訊息 ，來響應一語調的識別。 13· —種基於一語調識別包括至少一個字的片語之方法，此 方法之特徵爲下列步驟： 將此語調和一個或多個語言模型作比較，以決定每次 比較之一相似性度量； 第一個決定步驟，基於在該比較步驟中獲得的一個或 多個相似性度量，決定那一個語言模型最匹配此語調； 從數個識別準則儲存等級之一中，選擇至少一個識別 準則，對於一給定的語調，每個儲存等級是有關於一相 對應的識別機率； 第二決定步樣’決定對應於最匹配之語言模型的相似 性度量，是否滿足所選擇的識別準則；以及 當所選擇的識別準則是被滿足時，將此語調識別爲對 應於該最匹配之語言模型的片語。 (請先閲讀背面之注意事項再填寫本頁) 、1T 經濟部中央標準局員工消費合作社印製 -17- 本紙張尺度適用中國國家標準（c叫八4祕（21〇χ297公釐了