WO2009140781A1 - Verfahren zur klassifizierung und entfernung unerwünschter anteile aus einer äusserung bei einer spracherkennung - Google Patents
Verfahren zur klassifizierung und entfernung unerwünschter anteile aus einer äusserung bei einer spracherkennung Download PDFInfo
- Publication number
- WO2009140781A1 WO2009140781A1 PCT/CH2009/000159 CH2009000159W WO2009140781A1 WO 2009140781 A1 WO2009140781 A1 WO 2009140781A1 CH 2009000159 W CH2009000159 W CH 2009000159W WO 2009140781 A1 WO2009140781 A1 WO 2009140781A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- speaker
- words
- utterance
- speech recognition
- reference model
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000011156 evaluation Methods 0.000 claims abstract description 5
- 238000001514 detection method Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- 238000003780 insertion Methods 0.000 claims description 7
- 230000037431 insertion Effects 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 7
- 230000001419 dependent effect Effects 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 230000010354 integration Effects 0.000 description 3
- 230000008092 positive effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
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
- G10L17/00—Speaker identification or verification techniques
-
- 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
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0208—Noise filtering
- G10L2021/02087—Noise filtering the noise being separate speech, e.g. cocktail party
-
- 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
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
-
- 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
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/78—Detection of presence or absence of voice signals
Definitions
- the invention relates to a method for classifying and removing unwanted portions from an utterance in a speech recognition according to the preamble of claim 1.
- Speech recognition is increasingly being used in many areas of life, e.g. in mobile terminals, vehicle infotainment systems and voice-based directory assistance services. Often, however, the speech recognition rate is affected by background noise from other speakers, the environment, or in the case of a vehicle infotainment system by the vehicle itself.
- word insertions are very annoying due to background noise and can sometimes force to a complete re-entry.
- the object is achieved by a method for classifying and removing unwanted portions from an expression in a speech recognition, in which all portions of the utterance that originate from one and the same speaker or from the same person are identified, or portions of the exterior tion are recognized, which are not attributable to the respective speaker or the same person, with portions of the utterance that are not attributable to the respective speaker or the same person, disregarded in speech recognition, so that only those of the respective user or Spre - be considered more spoken portions of the utterance for the interpretation of the results of speech recognition.
- the method according to the invention makes it possible to remove or disregard non-stationary background noises from a speech recognition utterance, so that only the portions spoken by the respective user or speaker are taken into account for the evaluation of the result.
- Such an identification allows an allocation of shares or even individual words of an utterance to a speaker or to several different speakers.
- the speech recognition with a numerical entry or with longer linguistic dialog inputs in which the If background noise is quite likely to occur, it can be significantly improved with the method according to the invention.
- the user has a noticeable positive effect at his so-called task completion rate, which indicates the success rate of a correct recognition of a spoken user input, and thus can communicate much more efficiently with a behind the speech recognition or controlled by the speech recognition system.
- An advantageous embodiment of the invention provides that for the purpose of identifying or recognizing the portions of the utterance, the utterance in speech recognition is broken down into words or word segments in order to identify all the words of the utterance that are spoken by one and the same speaker the same person, or to recognize words of the utterance that are not attributable to the respective speaker or person.
- silence detection portions in an audio recording that do not contain speech, e.g. Speech pauses between the individual words. The pauses may e.g. be detected via a level reduction or other means.
- Another advantageous embodiment of the invention provides that for each of the determined words parallel speaker-dependent features are extracted and evaluated by speaker verification mechanisms.
- speaker-dependent features may subsequently be extracted for each of the determined words and evaluated using speaker verification mechanisms.
- a reference model is generated for the inventive application of mechanisms for speaker verification or recognition of the respective speaker or the respective person, which is present for example in the form of a so-called user model, with all shares or words of a current utterance are compared.
- the reference model is explicitly created for example during a so-called enrollment for a speaker and all parts or words of the utterance are compared with the reference model, wherein if individual parts or words too different from the reference model or user model, these words with a reduced recognition score, and speech recognition from the recognition results evaluates the recognition confi- dence and discards individual insertions, even if they were pronounced correctly but from another speaker or person.
- a reference model of the current speaker or the person currently speaking also referred to as speaker or user model.
- speaker or user model the more words that are included in the estimate, the better the reference model or user model will be.
- words which deviate greatly from the reference model created so far are excluded from insertion into the reference or user model and are also assigned a reduced recognition confidence.
- the estimate of the reference model is preferably accumulated over several voice recognition processes, eg for the duration or during a car journey, a device usage, or a telephone call with a voice service.
- features can be extracted from the entire dialogues and assigned to a reference database or a reference model.
- noise reduction algorithms are preferably additionally provided.
- Fig. 1 is an overview-like schematic representation of a
- FIG. 2 shows a case-related schematic representation of a sequence of a method for classifying and removing unwanted portions from an utterance in a speech recognition using the example of a telephone number input.
- FIG. 1 shows a schematic structure for carrying out a method according to the invention for classifying and removing unwanted portions from an utterance in a speech recognition or a schematic representation of its sequence.
- a linguistic utterance AI is detected and converted into an audio input AI, also referred to as an audio signal, or into audio data AI.
- the audio data AI are supplied to a speech recognition module 02 performing a speech recognition with classification calculation.
- a word detection module 03 implemented implicit or explicit word detection instead.
- an extraction of speaker features SM or of user-specific, preferably biometric features SM per word WA takes place in a module 04.
- the utterance AI in speech recognition here by the word detection module 03 located in front of the speech recognition module 02, is decomposed into word components WA. This can be done either explicitly by means of silence detection or implicitly in the recognition process via the grammars of speech recognition. For each of the determined words WA, speaker-dependent features are then extracted in parallel or in the wake and evaluated by means of speaker verification mechanisms.
- the idea is to identify all words that come from the same person, or recognize words that are not related to the same person.
- An application of speaker recognition mechanisms presupposes that a reference model 05, for example in the form of a so-called speaker model 05 or user model 05, is present or generated by a person, with which a current utterance AI can be compared.
- this reference model 05 can be created explicitly during a so-called enrollment. All words WA or the speaker features SM extracted from all words WA are then compared with this reference model 05 in a comparison module 06. If individual words WA or the speaker features SM of individual words WA deviate too much from the user model 05, these words WA can be assigned a reduced recognition confi guration.
- the speech recognition module 02 performing the speech recognition can then evaluate the word-wise recognition results WE as previously, and evaluate individual identifications, in order to arrive at a speech recognition result SE. sort out, even if they are pronounced correctly, but come from another person.
- an explicit enrollment may alternatively be attempted, based on the first word parts WA or words WA, to use a reference model 05 in the form of a speaker.
- User model 05 of the person currently speaking successively estimate. The more words WA enter into the estimation, the better the user model 05.
- words WA which deviate strongly from the previously created user model 05, can be excluded from insertion into the user model 05, as well as with a reduced recognition confidence become.
- the method according to the invention makes it possible to remove or disregard non-stationary background noises from a speech recognition utterance, so that only the portions spoken by the respective user or speaker are taken into account for the evaluation of the result.
- FIG. 2 shows a case-related schematic representation of a sequence of a method for classifying and removing unwanted portions from an utterance in a speech recognition using the example of a digit sequence ZF in a telephone number input.
- the number "two” comes from an background speaker or the number "two" "was spoken by an background speaker, for example by a passenger or a passenger, or by a random pedestrian.
- step W1 the speaker characteristics SM extracted from the word WA formed by the digit "zero"
- step W2 the speaker characteristics SM currently stored in the speaker model 05 are already compared with the speaker features SM currently extracted from the word WA formed by the numeral "eight."
- the features SM currently extracted in step W2 are similar to those already stored in the speaker model 05
- the currently extracted speaker features SM are integrated into the speaker model 05.
- step W3 which relates to the number "nine”
- step W4 which relates to the digit "six”.
- step W5 which relates to the number "two" spoken by a speaker other than the speaker of the first four words WA and WA, respectively, the comparison of
- the subsequent steps W6, ... are not detailed. They repeat the described steps W1,..., W5 such that when a currently extracted speaker feature SM matches the speaker model 05, the associated word WA is assigned a high confidence and, if appropriate, the speaker feature SM is included in the speaker model 05. If a currently extracted speaker feature SM does not match the speaker model 05, the associated word becomes WA with a low confidence and not included in the speaker model 05.
- the process can be constructed as a pure software solution and requires no additional hardware.
- the input of numerals or longer linguistic dialog entries in which the occurrence of a background noise is quite probable, can be significantly improved with the proposed method.
- the user has a noticeable positive effect at his so-called task completion rate, which indicates the success rate in the correct recognition of user input, and thus can communicate much more efficiently with the system.
- the estimator of the speaker model can be accumulated over several speech recognition processes, e.g. during a car drive, device usage, or phone call with a voice service.
- features can be extracted from the entire dialogues and assigned to a reference database or a reference model.
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Telephonic Communication Services (AREA)
- Machine Translation (AREA)
- Telephone Function (AREA)
Abstract
Es wird ein Verfahren zur Klassifizierung und Entfernung unerwünschter Anteile aus einer Äußerung bei einer Spracherkennung beschrieben, bei dem alle Anteile der Äußerung identifiziert werden, die von ein und demselben Sprecher stammen, bzw. Anteile der Äußerung erkannt werden, die nicht dem jeweiligen Sprecher zuzuordnen sind, wobei Anteile der Äußerung, die nicht dem jeweiligen Sprecher zuzuordnen sind, bei der Spracherkennung unberücksichtigt bleiben, so dass nur die von dem jeweiligen Sprecher gesprochenen Anteile der Äußerung für die Ergebnisauswertung der Spracherkennung berücksichtigt werden.
Description
Beschreibung
Verfahren zur Klassifizierung und Entfernung unerwünschter Anteile aus einer Äußerung bei einer Spracherkennung
Die Erfindung betrifft ein Verfahren zur Klassifizierung und Entfernung unerwünschter Anteile aus einer Äußerung bei einer Spracherkennung gemäß dem Oberbegriff des Anspruchs 1.
Spracherkennung findet zunehmend in vielen Bereichen des Lebens Anwendung, z.B. in mobilen Endgeräten, Fahrzeug- Infotainment-Systemen und sprachbasierten Telefonauskunftdiensten. Oftmals jedoch wird die Spracherkennungsrate durch Hintergrundgeräusche von anderen Sprechern, der Umgebung oder im Falle eines Fahrzeug-Infotainment-Systems vom Fahrzeug selbst beeinträchtigt.
Gerade bei der Eingabe längerer Sequenzen wie z.B. Telefonnummern, Kreditkartennummern oder bei der Eingabe von freien Sätzen in Dialogsystemen sind Wort-Einfügungen durch Hintergrundgeräusche äußerst störend und können mitunter zu einer kompletten Neueingabe zwingen.
So kann es z.B. bei Regenfahrten immer wieder zu unerwünsch- ten Wort-Einfügungen kommen, die z.B. durch das Scheibenwischergeräusch verursacht werden, da das Geräusch akustisch einer Ziffer oder einem Wort sehr nahe ist. Auch kurze Zwischenäußerungen von einem Beifahrer erschweren beispielsweise eine Ziffernketteneingabe erheblich. Bei langen Ziffernketten ist ein Editieren hieraus hervorgegangener Einfügungen in der Regel dann sehr aufwändig und nötigt den Benutzer meist zu einer vollständigen Neueingabe.
Generell finden heute leistungsfähige Geräuschreduktionsalgo- rithmen bei der Spracherkennung breiten Einsatz. Mit Verfahren wie Wiener Filter oder Spektralsubtraktion können stationäre Geräusche bzw. deren Einfluss äußerst effektiv verringert werden. Bei nicht-stationären Geräuschen, wie z.B. einem
Scheibenwischergeräusch oder sprechenden Personen auf dem Beifahrersitz oder auf den Rücksitzen, sind diese Verfahren nachteiligerweise nur bedingt erfolgreich.
Mittels audio-visueller Verfahren kann eine gewisse Unabhängigkeit der Eingabe von der Modalität Sprache erreicht werden, dies bedingt jedoch nachteilhafterweise eine Kamera- Ausstattung als Voraussetzung.
Als eine Aufgabe der Erfindung kann es daher angesehen werden, ein Verfahren zu entwickeln, welches aus einer Äußerung bei einer Spracherkennung ungewünschte Anteile klassifizieren und entfernen kann.
Die Aufgabe wird gelöst durch ein Verfahren zur Klassifizierung und Entfernung unerwünschter Anteile aus einer Äußerung bei einer Spracherkennung, bei dem alle Anteile der Äußerung identifiziert werden, die von ein und demselben Sprecher bzw. von ein und derselben Person stammen, bzw. Anteile der Äuße- rung erkannt werden, die nicht dem jeweiligen Sprecher bzw. derselben Person zuzuordnen sind, wobei Anteile der Äußerung, die nicht dem jeweiligen Sprecher bzw. derselben Person zuzuordnen sind, bei der Spracherkennung unberücksichtigt bleiben, so dass nur die von dem jeweiligen Benutzer bzw. Spre- eher gesprochenen Anteile der Äußerung für die Ergebnisauswertung der Spracherkennung berücksichtigt werden.
Das erfindungsgemäße Verfahren ermöglicht ein Entfernen bzw. Nichtbeachten von nichtstationären Hintergrundgeräuschen aus einer Spracherkennungsäußerung, so dass nur die von dem jeweiligen Benutzer bzw. Sprecher gesprochenen Anteile für die Ergebnisauswertung berücksichtigt werden. Eine solche Identifikation erlaubt eine Zuordnung von Anteilen oder gar einzelner Wörter einer Äußerung zu einem Sprecher oder zu mehreren unterschiedlichen Sprechern.
Speziell die Spracherkennung bei einer Zifferneingabe oder bei längeren sprachlichen Dialogeingaben, bei denen das Auf-
treten von Hintergrundgeräuschen durchaus wahrscheinlich ist, kann mit dem erfindungsgemäßen Verfahren deutlich verbessert werden. Der Benutzer hat einen spürbaren positiven Effekt bei seiner so genannten Task-Completion-Rate, welche die Erfolgs- quote einer richtigen Erkennung einer gesprochenen Benutzereingabe angibt, und kann damit deutlich effizienter mit einem hinter der Spracherkennung liegenden bzw. von der Spracherkennung gesteuerten System kommunizieren.
Eine vorteilhafte Ausgestaltung der Erfindung sieht vor, dass zur Identifikation bzw. Erkennung der Anteile der Äußerung die Äußerung bei der Spracherkennung in Worte bzw. Wortantei- Ie zerlegt wird, um alle Worte der Äußerung zu identifizieren, die von ein und demselben Sprecher bzw. von derselben Person stammen, bzw. Worte der Äußerung zu erkennen, die nicht dem jeweiligen Sprecher bzw. derselben Person zuzuordnen sind.
Dabei ist beispielsweise denkbar, dass das Zerlegen der Äuße- rung bei der Spracherkennung in Worte bzw. Wortanteile explizit mittels einer so genannten Silence-Erkennung erfolgt, oder dass das Zerlegen der Äußerung bei der Spracherkennung in Worte bzw. Wortanteile implizit im Erkennungsvorgang über die Grammatiken der Spracherkennung erfolgt. Bei der Silence- Erkennung werden Anteile in einer Audioaufnahme erkannt, die keine Sprache enthalten, z.B. Sprechpausen zwischen den einzelnen Wörtern. Die Sprechpausen können z.B. über eine Pegelabsenkung oder über andere Möglichkeiten detektiert werden.
Eine andere vorteilhafte Ausgestaltung der Erfindung sieht vor, dass für jedes der ermittelten Worte parallel sprecherabhängige Merkmale extrahiert und mittels Sprecherverifikationsmechanismen bewertet werden.
Alternativ können für jedes der ermittelten Worte im Nachgang sprecherabhängige Merkmale extrahiert und mittels Sprecherverifikationsmechanismen bewertet werden.
Vorzugsweise wird zur erfindungsgemäßen Anwendung von Mechanismen zur Sprecherverifikation bzw. -erkennung von dem jeweiligen Sprecher bzw. der jeweiligen Person ein Referenzmodell erzeugt, das beispielsweise in Form eines so genannten Benutzermodells vorliegt, mit dem alle Anteile bzw. Worte einer aktuellen Äußerung verglichen werden.
Vorzugsweise wird das Referenzmodell explizit beispielsweise während eines so genannten Enrollments für einen Sprecher erstellt und alle Anteile bzw. Worte der Äußerung werden mit dem Referenzmodell verglichen, wobei wenn einzelne Anteile bzw. Worte zu stark von dem Referenzmodell bzw. Benutzermodell abweichen, diese Worte mit einer verringerten Erkennung- skonfidenz belegt werden, und die Spracherkennung aus den Er- kennungsergebnissen die Erkennungskonfidenzen auswertet und einzelne Einfügungen aussortiert, auch wenn sie korrekt ausgesprochen wurden, aber von einem anderen Sprecher bzw. von einer anderen Person stammen.
Ebenfalls ist denkbar, dass anhand zumindest der ersten Worte einer Äußerung ein auch als Sprecher- oder Benutzermodell bezeichnetes Referenzmodell des aktuellen Sprechers bzw. der gerade sprechenden Person sukzessive geschätzt wird. Je mehr Worte in die Schätzung eingehen, desto besser wird das Refe- renzmodell bzw. Benutzermodell .
Vorzugsweise werden hierbei bereits während der Schätzung Worte, welche, stark vom bisher erstellten Referenzmodell abweichen, sowohl vom Einfügen in das Referenz- bzw. Benutzer- modell ausgeschlossen, als auch mit einer reduzierten Erken- nungskonfidenz belegt.
Gemäß einer besonders vorteilhaften Ausgestaltung der Erfindung wird auf eine weitere Integration verzichtet, wenn eine ausreichende Anzahl an Worten in die Erstellung des Referenzmodells eingeflossen ist, und das Verfahren läuft wie im Falle eines explizit trainierten Referenzmodells weiter ab.
Zur Erhöhung der Sprecherverifikationsrate wird die Schätzung des auch als Sprecher- oder Benutzermodell bezeichneten Referenzmodells vorzugsweise über mehrere Spracherkennungsvorgän- ge akkumuliert, z.B. für die Dauer bzw. während einer Auto- Fahrt, einer Gerätebenutzung, oder eines Telefonats mit einem Sprachdienst. Dabei können aus den gesamten Dialogen Merkmale extrahiert und einer Referenzdatenbasis bzw. einem Referenzmodell zugeordnet werden.
Zur Elimination stationärer Geräusche sind vorzugsweise zusätzlich Konventionelle Geräuschreduktionsalgorithmen vorgesehen.
Die Erfindung wird nachfolgend anhand von in den Zeichnungen dargestellten Ausführungsbeispielen näher erläutert. Es zeigen:
Fig. 1 eine überblickartige schematische Darstellung eines
Ablaufs eines Verfahrens zur Klassifizierung und Entfernung unerwünschter Anteile aus einer Äußerung bei einer Spracherkennung.
Fig. 2 eine fallbezogene schematische Darstellung eines Ablaufs eines Verfahrens zur Klassifizierung und Entfernung unerwünschter Anteile aus einer Äußerung bei einer Spracherkennung am Beispiel einer Telefonnummereingabe .
Fig. 1 zeigt einen schematischen Aufbau zur Durchführung ei- nes erfindungsgemäßen Verfahrens zur Klassifizierung und Entfernung unerwünschter Anteile aus einer Äußerung bei einer Spracherkennung bzw. eine schematische Darstellung dessen Ablaufs. Über ein Mikrophon 01 wird eine sprachliche Äußerung AI erfasst und in einen auch als Audio-Signal bezeichneten Audio-Input AI bzw. in Audio-Daten AI umgewandelt. Die Audio- Daten AI werden einem eine Spracherkennung mit Klassifikationsberechnung durchführenden Spracherkennungsmodul 02 zugeführt. Dazwischen findet eine durch ein Wortdetektionsmodul
03 durchgeführte implizite oder explizite Wortdetektion statt. Mit den so detektierten Wortanteilen WA bzw. Worten WA erfolgt in einem Modul 04 eine Extraktion von Sprechermerkmalen SM bzw. von benutzerspezifischen, vorzugsweise biometri- sehen Merkmalen SM pro Wort WA.
Um aus einer Äußerung AI eines Sprechers ungewünschte Anteile zu klassifizieren und zu entfernen, wird die Äußerung AI bei der Spracherkennung, hier durch das vor dem Spracherkennungs- modul 02 liegende Wortdetektionsmodul 03, in Wortanteile WA zerlegt. Dies kann entweder explizit mittels Silence- Erkennung oder implizit im Erkennungsvorgang über die Grammatiken der Spracherkennung erfolgen. Für jedes der ermittelten Worte WA werden dann parallel oder im Wachgang sprecherabhän- gige Merkmale extrahiert und mittels Sprecherverifikationsmechanismen bewertet.
Die Idee dabei ist, alle Worte zu identifizieren, die γon derselben Person stammen, bzw. Worte zu erkennen, die nicht derselben Person zuzuordnen sind.
Eine Anwendung von Mechanismen zur Sprechererkennung setzt voraus, dass von einer Person ein Referenzmodell 05 beispielsweise in Form eines so genannten Sprechermodells 05 bzw. Benutzermodells 05 vorliegt bzw. erzeugt wird, mit dem eine aktuelle Äußerung AI verglichen werden kann. Dieses Referenzmodell 05 kann z.B. explizit während eines so genannten Enrollments erstellt werden. Alle Worte WA bzw. die aus allen Worten WA extrahierten Sprechermerkmale SM werden dann mit diesem Referenzmodell 05 in einem Vergleichmodul 06 verglichen. Weichen einzelne Worte WA bzw. die Sprechermerkmale SM einzelner Worte WA dann zu stark vom Benutzermodell 05 ab, können diese Worte WA mit einer reduzierten Erkennungskonfi- denz belegt werden. Das die Spracherkennung beispielsweise im Sinne einer Anwendung bzw. Applikation durchführende Sprach- erkennungsmodul 02, kann dann um zu einem Spracherkennungser- gebnis SE zu kommen, aus den wortweisen Erkennungsergebnissen WE wie bisher die Konfidenzen auswerten und einzelne Einfü-
gungen aussortieren, auch wenn sie korrekt ausgesprochen wurden, aber von einer anderen Person stammen.
Ist ein explizites Enrollment nicht vorgesehen, so kann al- ternativ versucht werden, anhand der ersten Wortanteile WA bzw. Worte WA ein Referenzmodell 05 in Form eines Sprecherbzw. Benutzermodells 05 der gerade sprechenden Person sukzessive zu schätzen. Je mehr Worte WA in die Schätzung eingehen, desto besser wird das Benutzermodell 05. Bereits während der Schätzung können Worte WA, welche stark vom bisher erstellten Benutzermodell 05 abweichen, sowohl vom Einfügen in das Benutzermodell 05 ausgeschlossen werden, als auch mit einer reduzierten Erkennungskonfidenz belegt werden.
Ist eine ausreichende Anzahl an Worten WA in die Erstellung des Referenzmodells 05 eingeflossen, kann auf eine weitere Integration verzichtet werden und das Verfahren wie im Falle eines weiter oben beschriebenen explizit trainierten Benut- zermodells weiter arbeiten.
Das erfindungsgemäße Verfahren ermöglicht ein Entfernen bzw. Nichtbeachten von nichtstationären Hintergrundgeräuschen aus einer Spracherkennungsäußerung, so dass nur die von dem jeweiligen Benutzer bzw. Sprecher gesprochenen Anteile für die Ergebnisauswertung berücksichtigt werden.
Fig. 2 zeigt eine fallbezogene schematische Darstellung eines Ablaufs eines Verfahrens zur Klassifizierung und Entfernung unerwünschter Anteile aus einer Äußerung bei einer Spracher- kennung am Beispiel einer Ziffernfolge ZF bei einer Telefonnummereingabe. Bei der in Fig. 2 dargestellten Auswertung einer Telefonnummereingabe stammt die Ziffer „zwei" von einem Hintergrundsprecher bzw. wurde die Ziffer „zwei"" von einem Hintergrundsprecher, beispielsweise von einem Bei- oder Mit- fahrer oder von einem zufälligen Passanten gesprochen.
In den aufeinander folgenden Schritten Wl ... Wβ, die den einzelnen, nacheinander gesprochenen Worten WA bzw. Ziffern
WA der gesprochenen Ziffernfolge „Null Acht Neun Sechs Zwei Drei" entsprechen, erfolgt zunächst im Schritt Wl eine initiale Schätzung des Referenzmodells 05 bzw. des Sprecher- 05 oder Benutzermodells 05 anhand der aus dem durch die Ziffer „Null" gebildeten Wort WA extrahierten Sprechermerkmale SM. Im Schritt W2 erfolgt bereits ein Vergleich der zwischenzeitlich im Sprechermodell 05 gespeicherten Sprechermerkmale SM mit den aktuell aus dem durch die Ziffer „Acht" gebildeten Wort WA extrahierten Sprechermerkmalen SM. Sind die aktuell im Schritt W2 extrahierten Merkmale SM ähnlich den bereits im Sprechermodel 05 gespeicherten bzw. abgelegten Sprechermerkmalen SM, so erfolgt eine Integration der aktuell extrahierten Sprechermerkmale SM in das Sprechermodell 05. Ebenso verhält es sich im Schritt W3, welcher die Ziffer „Neun" be- trifft, und im Schritt W4, welcher die Ziffer „Sechs" betrifft.
Im Schritt W5, der die Ziffer „Zwei" betrifft, die von einem anderen Sprecher, als vom Sprecher der ersten vier Worte WA bzw. Ziffern WA gesprochen wird, ergibt der Vergleich des
Sprechermodells 05 und der aktuell aus der Ziffer „Zwei" extrahierten Sprechermerkmale SM, dass die aktuellen Merkmale SM weit abweichend vom bisherigen Referenzmodell 05 bzw. Sprechermodell 05 sind. Diese aktuell extrahierten Sprecher- merkmale SM finden daher keine Integration in das Sprechermodell 05. Außerdem wird die Konfidenz der erkannten Ziffer „Zwei" verringert, so dass sie bei der Erzeugung des Sprach- erkennungsergebnisses SE nur geringen bzw. gar keinen Ein- fluss hat.
Die darauf folgenden Schritte W6, ... sind nicht näher ausgeführt. Sie wiederholen die beschriebenen Schritte Wl, ..., W5 derart, dass wenn ein aktuell extrahiertes Sprechermerkmal SM mit dem Sprechermodell 05 übereinstimmt das zugehörige Wort WA mit einer hohen Konfidenz belegt wird und gegebenenfalls das Sprechermerkmal SM in das Sprechermodell 05 aufgenommen wird. Stimmt ein aktuell extrahiertes Sprechermerkmal SM mit dem Sprechermodell 05 nicht überein, wird das zugehörige Wort
WA mit einer niedrigen Konfidenz belegt und nicht in das Sprechermodell 05 aufgenommen.
Vorteile der Erfindung gegenüber dem Stand der Technik erge- ben sich dadurch, dass das Verfahren es ermöglicht, nichtstationäre Hintergrundgeräusche effizient aus Äußerungen heraus- zufiltern. Konventionelle Geräuschreduktionsalgorithmen können dabei nach wie vor für die Elimination von stationären Geräuschen verwendet werden.
Das Verfahren kann als reine Software-Lösung aufgebaut werden und benötigt keine Zusatzhardware.
Speziell die Zifferneingabe oder längere sprachliche Dialog- eingaben, bei denen das Auftreten eines Hintergrundgeräuschs durchaus wahrscheinlich ist, können mit dem vorgeschlagenen Verfahren deutlich verbessert werden. Der Benutzer hat einen spürbaren positiven Effekt bei seiner so genannten Task- Completion-Rate, welche die Erfolgsquote bei der richtigen Erkennung der Benutzereingabe angibt, und kann damit deutlich effizienter mit dem System kommunizieren.
Als Erweiterung kann zur Erhöhung der Sprecherverifikationsrate die Schätzung des Sprechermodells über mehrere Spracher- kennungsvorgänge akkumuliert werden, z.B. während einer Auto-Fahrt, einer Gerätebenutzung, oder eines Telefonats mit einem Sprachdienst. Dabei können aus den gesamten Dialogen Merkmale extrahiert und einer Referenzdatenbasis bzw. einem Referenzmodell zugeordnet werden.
Claims
1. Verfahren zur Klassifizierung und Entfernung unerwünschter Anteile aus einer Äußerung bei einer Spracherkennung, dadurch gekennzeichnet, dass alle Anteile der Äußerung identifiziert werden, die von ein und demselben Sprecher stammen, bzw. Anteile der Äußerung erkannt werden, die nicht dem jeweiligen Sprecher zuzuordnen sind, wobei Anteile der Äußerung, die nicht dem jeweiligen Sprecher zuzuordnen sind, bei der Spracherkennung unberücksichtigt bleiben, so dass nur die von dem jeweiligen Sprecher gesprochenen Anteile der Äußerung für die Ergebnisauswertung der Spracherkennung berücksichtigt werden.
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass die Äußerung bei der Spracherkennung in Worte bzw. Wortanteile zerlegt wird, um alle Worte der Äußerung zu identifizieren, die von ein und demselben Sprecher stammen, bzw. Wor- te der Äußerung zu erkennen, die nicht dem jeweiligen Sprecher zuzuordnen sind.
3. Verfahren nach Anspruch 2, dadurch gekennzeichnet, dass das Zerlegen der Äußerung bei der Spracherkennung in
Worte bzw. Wortanteile explizit mittels Silence-Erkennung erfolgt.
4. Verfahren nach Anspruch 2, dadurch gekennzeichnet, dass das Zerlegen der Äußerung bei der Spracherkennung in Worte bzw. Wortanteile implizit im Erkennungsvorgang über die Grammatiken der Spracherkennung erfolgt.
5. Verfahren nach einem der Ansprüche 2, 3 oder 4, dadurch gekennzeichnet, dass für jedes der ermittelten Worte parallel sprecherabhängige Merkmale extrahiert und mittels Sprecherverifikationsmechanismen bewertet werden.
β. Verfahren nach einem der Ansprüche 2, 3 oder 4, dadurch gekennzeichnet, dass für jedes der ermittelten Worte im Nachgang sprecherabhängige Merkmale extrahiert und mittels Sprecherverifikationsmechanismen bewertet werden.
7. Verfahren nach Anspruch 5 oder 6, dadurch gekennzeichnet, dass von dem jeweiligen Sprecher ein Referenzmodell erzeugt wird, mit dem alle Anteile bzw. Worte einer aktuellen Äuße- rung verglichen werden.
8. Verfahren nach Anspruch 7, dadurch gekennzeichnet, dass das Referenzmodell explizit für einen Sprecher erstellt wird und alle Anteile bzw. Worte der Äußerung mit dem Referenzmodell verglichen werden, wobei wenn einzelne Anteile bzw. Worte zu stark von dem Referenzmodell abweichen, diese Worte mit einer verringerten Erkennungskonfidenz belegt werden, und die Spracherkennung aus den Erkennungsergebnissen die Erkennungskonfidenzen auswertet und einzelne Einfügungen aussortiert, wenn sie von einem anderen Sprecher stammen.
9. Verfahren nach Anspruch 7, dadurch gekennzeichnet, dass anhand zumindest der ersten Worte einer Äußerung ein Referenzmodell des aktuellen Sprechers sukzessive geschätzt wird.
10. Verfahren nach Anspruch 9, dadurch gekennzeichnet, dass bereits während der Schätzung Worte, welche stark vom bisher erstellten Referenzmodell abweichen, sowohl vom Einfü- gen in das Referenzmodell ausgeschlossen, als auch mit einer reduzierten Erkennungskonfidenz belegt werden.
11. Verfahren nach Anspruch 9 oder 10, dadurch gekennzeichnet, dass wenn eine ausreichende Anzahl an Worten in die Erstellung des Referenzmodells eingeflossen ist, das Verfahren wie im Falle eines explizit trainierten Referenzmodells weiter abläuft.
12. Verfahren nach Anspruch 9, 10 oder 11, dadurch gekennzeichnet, dass die Schätzung des Referenzmodells über mehrere Spracher- kennungsVorgänge akkumuliert wird.
13. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass zur Elimination stationärer Geräusche zusätzlich Konventionelle Geräuschreduktionsalgorithmen vorgesehen sind.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102008024258A DE102008024258A1 (de) | 2008-05-20 | 2008-05-20 | Verfahren zur Klassifizierung und Entfernung unerwünschter Anteile aus einer Äußerung bei einer Spracherkennung |
DE102008024258.6 | 2008-05-20 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2009140781A1 true WO2009140781A1 (de) | 2009-11-26 |
Family
ID=40791586
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/CH2009/000159 WO2009140781A1 (de) | 2008-05-20 | 2009-05-14 | Verfahren zur klassifizierung und entfernung unerwünschter anteile aus einer äusserung bei einer spracherkennung |
Country Status (2)
Country | Link |
---|---|
DE (1) | DE102008024258A1 (de) |
WO (1) | WO2009140781A1 (de) |
Families Citing this family (127)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8677377B2 (en) | 2005-09-08 | 2014-03-18 | Apple Inc. | Method and apparatus for building an intelligent automated assistant |
US9318108B2 (en) | 2010-01-18 | 2016-04-19 | Apple Inc. | Intelligent automated assistant |
US10002189B2 (en) | 2007-12-20 | 2018-06-19 | Apple Inc. | Method and apparatus for searching using an active ontology |
US9330720B2 (en) | 2008-01-03 | 2016-05-03 | Apple Inc. | Methods and apparatus for altering audio output signals |
US8996376B2 (en) | 2008-04-05 | 2015-03-31 | Apple Inc. | Intelligent text-to-speech conversion |
US20100030549A1 (en) | 2008-07-31 | 2010-02-04 | Lee Michael M | Mobile device having human language translation capability with positional feedback |
US8676904B2 (en) | 2008-10-02 | 2014-03-18 | Apple Inc. | Electronic devices with voice command and contextual data processing capabilities |
US10241644B2 (en) | 2011-06-03 | 2019-03-26 | Apple Inc. | Actionable reminder entries |
US10241752B2 (en) | 2011-09-30 | 2019-03-26 | Apple Inc. | Interface for a virtual digital assistant |
US9431006B2 (en) | 2009-07-02 | 2016-08-30 | Apple Inc. | Methods and apparatuses for automatic speech recognition |
US10276170B2 (en) | 2010-01-18 | 2019-04-30 | Apple Inc. | Intelligent automated assistant |
US8682667B2 (en) | 2010-02-25 | 2014-03-25 | Apple Inc. | User profiling for selecting user specific voice input processing information |
US9262612B2 (en) | 2011-03-21 | 2016-02-16 | Apple Inc. | Device access using voice authentication |
US10057736B2 (en) | 2011-06-03 | 2018-08-21 | Apple Inc. | Active transport based notifications |
US10134385B2 (en) | 2012-03-02 | 2018-11-20 | Apple Inc. | Systems and methods for name pronunciation |
US9280610B2 (en) | 2012-05-14 | 2016-03-08 | Apple Inc. | Crowd sourcing information to fulfill user requests |
US10417037B2 (en) | 2012-05-15 | 2019-09-17 | Apple Inc. | Systems and methods for integrating third party services with a digital assistant |
US9721563B2 (en) | 2012-06-08 | 2017-08-01 | Apple Inc. | Name recognition system |
US9547647B2 (en) | 2012-09-19 | 2017-01-17 | Apple Inc. | Voice-based media searching |
KR20150104615A (ko) | 2013-02-07 | 2015-09-15 | 애플 인크. | 디지털 어시스턴트를 위한 음성 트리거 |
WO2014197334A2 (en) | 2013-06-07 | 2014-12-11 | Apple Inc. | System and method for user-specified pronunciation of words for speech synthesis and recognition |
WO2014197335A1 (en) | 2013-06-08 | 2014-12-11 | Apple Inc. | Interpreting and acting upon commands that involve sharing information with remote devices |
US10176167B2 (en) | 2013-06-09 | 2019-01-08 | Apple Inc. | System and method for inferring user intent from speech inputs |
EP3008641A1 (de) | 2013-06-09 | 2016-04-20 | Apple Inc. | Vorrichtung, verfahren und grafische benutzeroberfläche für gesprächspersistenz über zwei oder mehrere instanzen eines digitaler assistenten |
US10296160B2 (en) | 2013-12-06 | 2019-05-21 | Apple Inc. | Method for extracting salient dialog usage from live data |
US9715875B2 (en) | 2014-05-30 | 2017-07-25 | Apple Inc. | Reducing the need for manual start/end-pointing and trigger phrases |
US10170123B2 (en) | 2014-05-30 | 2019-01-01 | Apple Inc. | Intelligent assistant for home automation |
US9430463B2 (en) | 2014-05-30 | 2016-08-30 | Apple Inc. | Exemplar-based natural language processing |
TWI566107B (zh) | 2014-05-30 | 2017-01-11 | 蘋果公司 | 用於處理多部分語音命令之方法、非暫時性電腦可讀儲存媒體及電子裝置 |
US9633004B2 (en) | 2014-05-30 | 2017-04-25 | Apple Inc. | Better resolution when referencing to concepts |
US10186282B2 (en) | 2014-06-19 | 2019-01-22 | Apple Inc. | Robust end-pointing of speech signals using speaker recognition |
US9338493B2 (en) | 2014-06-30 | 2016-05-10 | Apple Inc. | Intelligent automated assistant for TV user interactions |
US9818400B2 (en) | 2014-09-11 | 2017-11-14 | Apple Inc. | Method and apparatus for discovering trending terms in speech requests |
US10074360B2 (en) | 2014-09-30 | 2018-09-11 | Apple Inc. | Providing an indication of the suitability of speech recognition |
US10127911B2 (en) | 2014-09-30 | 2018-11-13 | Apple Inc. | Speaker identification and unsupervised speaker adaptation techniques |
US9668121B2 (en) | 2014-09-30 | 2017-05-30 | Apple Inc. | Social reminders |
US10152299B2 (en) | 2015-03-06 | 2018-12-11 | Apple Inc. | Reducing response latency of intelligent automated assistants |
US9721566B2 (en) | 2015-03-08 | 2017-08-01 | Apple Inc. | Competing devices responding to voice triggers |
US9886953B2 (en) | 2015-03-08 | 2018-02-06 | Apple Inc. | Virtual assistant activation |
US10567477B2 (en) | 2015-03-08 | 2020-02-18 | Apple Inc. | Virtual assistant continuity |
US10460227B2 (en) | 2015-05-15 | 2019-10-29 | Apple Inc. | Virtual assistant in a communication session |
US10083688B2 (en) | 2015-05-27 | 2018-09-25 | Apple Inc. | Device voice control for selecting a displayed affordance |
US9578173B2 (en) | 2015-06-05 | 2017-02-21 | Apple Inc. | Virtual assistant aided communication with 3rd party service in a communication session |
US11025565B2 (en) | 2015-06-07 | 2021-06-01 | Apple Inc. | Personalized prediction of responses for instant messaging |
US20160378747A1 (en) | 2015-06-29 | 2016-12-29 | Apple Inc. | Virtual assistant for media playback |
US10671428B2 (en) | 2015-09-08 | 2020-06-02 | Apple Inc. | Distributed personal assistant |
US10747498B2 (en) | 2015-09-08 | 2020-08-18 | Apple Inc. | Zero latency digital assistant |
US11010550B2 (en) | 2015-09-29 | 2021-05-18 | Apple Inc. | Unified language modeling framework for word prediction, auto-completion and auto-correction |
US10366158B2 (en) | 2015-09-29 | 2019-07-30 | Apple Inc. | Efficient word encoding for recurrent neural network language models |
US11587559B2 (en) | 2015-09-30 | 2023-02-21 | Apple Inc. | Intelligent device identification |
US10691473B2 (en) | 2015-11-06 | 2020-06-23 | Apple Inc. | Intelligent automated assistant in a messaging environment |
US10049668B2 (en) | 2015-12-02 | 2018-08-14 | Apple Inc. | Applying neural network language models to weighted finite state transducers for automatic speech recognition |
US10223066B2 (en) | 2015-12-23 | 2019-03-05 | Apple Inc. | Proactive assistance based on dialog communication between devices |
US10446143B2 (en) | 2016-03-14 | 2019-10-15 | Apple Inc. | Identification of voice inputs providing credentials |
US9934775B2 (en) | 2016-05-26 | 2018-04-03 | Apple Inc. | Unit-selection text-to-speech synthesis based on predicted concatenation parameters |
US9972304B2 (en) | 2016-06-03 | 2018-05-15 | Apple Inc. | Privacy preserving distributed evaluation framework for embedded personalized systems |
US11227589B2 (en) | 2016-06-06 | 2022-01-18 | Apple Inc. | Intelligent list reading |
US10249300B2 (en) | 2016-06-06 | 2019-04-02 | Apple Inc. | Intelligent list reading |
US10049663B2 (en) | 2016-06-08 | 2018-08-14 | Apple, Inc. | Intelligent automated assistant for media exploration |
DK179588B1 (en) | 2016-06-09 | 2019-02-22 | Apple Inc. | INTELLIGENT AUTOMATED ASSISTANT IN A HOME ENVIRONMENT |
US10490187B2 (en) | 2016-06-10 | 2019-11-26 | Apple Inc. | Digital assistant providing automated status report |
US10509862B2 (en) | 2016-06-10 | 2019-12-17 | Apple Inc. | Dynamic phrase expansion of language input |
US10192552B2 (en) | 2016-06-10 | 2019-01-29 | Apple Inc. | Digital assistant providing whispered speech |
US10067938B2 (en) | 2016-06-10 | 2018-09-04 | Apple Inc. | Multilingual word prediction |
US10586535B2 (en) | 2016-06-10 | 2020-03-10 | Apple Inc. | Intelligent digital assistant in a multi-tasking environment |
DK179343B1 (en) | 2016-06-11 | 2018-05-14 | Apple Inc | Intelligent task discovery |
DK201670540A1 (en) | 2016-06-11 | 2018-01-08 | Apple Inc | Application integration with a digital assistant |
DK179049B1 (en) | 2016-06-11 | 2017-09-18 | Apple Inc | Data driven natural language event detection and classification |
DK179415B1 (en) | 2016-06-11 | 2018-06-14 | Apple Inc | Intelligent device arbitration and control |
US10474753B2 (en) | 2016-09-07 | 2019-11-12 | Apple Inc. | Language identification using recurrent neural networks |
US10043516B2 (en) | 2016-09-23 | 2018-08-07 | Apple Inc. | Intelligent automated assistant |
US11281993B2 (en) | 2016-12-05 | 2022-03-22 | Apple Inc. | Model and ensemble compression for metric learning |
US10593346B2 (en) | 2016-12-22 | 2020-03-17 | Apple Inc. | Rank-reduced token representation for automatic speech recognition |
US11204787B2 (en) | 2017-01-09 | 2021-12-21 | Apple Inc. | Application integration with a digital assistant |
DK201770383A1 (en) | 2017-05-09 | 2018-12-14 | Apple Inc. | USER INTERFACE FOR CORRECTING RECOGNITION ERRORS |
US10417266B2 (en) | 2017-05-09 | 2019-09-17 | Apple Inc. | Context-aware ranking of intelligent response suggestions |
DK201770439A1 (en) | 2017-05-11 | 2018-12-13 | Apple Inc. | Offline personal assistant |
US10726832B2 (en) | 2017-05-11 | 2020-07-28 | Apple Inc. | Maintaining privacy of personal information |
US10395654B2 (en) | 2017-05-11 | 2019-08-27 | Apple Inc. | Text normalization based on a data-driven learning network |
US11301477B2 (en) | 2017-05-12 | 2022-04-12 | Apple Inc. | Feedback analysis of a digital assistant |
DK179496B1 (en) | 2017-05-12 | 2019-01-15 | Apple Inc. | USER-SPECIFIC Acoustic Models |
DK179745B1 (en) | 2017-05-12 | 2019-05-01 | Apple Inc. | SYNCHRONIZATION AND TASK DELEGATION OF A DIGITAL ASSISTANT |
DK201770429A1 (en) | 2017-05-12 | 2018-12-14 | Apple Inc. | LOW-LATENCY INTELLIGENT AUTOMATED ASSISTANT |
DK201770432A1 (en) | 2017-05-15 | 2018-12-21 | Apple Inc. | Hierarchical belief states for digital assistants |
DK201770431A1 (en) | 2017-05-15 | 2018-12-20 | Apple Inc. | Optimizing dialogue policy decisions for digital assistants using implicit feedback |
US20180336275A1 (en) | 2017-05-16 | 2018-11-22 | Apple Inc. | Intelligent automated assistant for media exploration |
US10403278B2 (en) | 2017-05-16 | 2019-09-03 | Apple Inc. | Methods and systems for phonetic matching in digital assistant services |
DK179560B1 (en) | 2017-05-16 | 2019-02-18 | Apple Inc. | FAR-FIELD EXTENSION FOR DIGITAL ASSISTANT SERVICES |
US10311144B2 (en) | 2017-05-16 | 2019-06-04 | Apple Inc. | Emoji word sense disambiguation |
US10657328B2 (en) | 2017-06-02 | 2020-05-19 | Apple Inc. | Multi-task recurrent neural network architecture for efficient morphology handling in neural language modeling |
US10445429B2 (en) | 2017-09-21 | 2019-10-15 | Apple Inc. | Natural language understanding using vocabularies with compressed serialized tries |
US10755051B2 (en) | 2017-09-29 | 2020-08-25 | Apple Inc. | Rule-based natural language processing |
US10636424B2 (en) | 2017-11-30 | 2020-04-28 | Apple Inc. | Multi-turn canned dialog |
US10733982B2 (en) | 2018-01-08 | 2020-08-04 | Apple Inc. | Multi-directional dialog |
US10733375B2 (en) | 2018-01-31 | 2020-08-04 | Apple Inc. | Knowledge-based framework for improving natural language understanding |
US10789959B2 (en) | 2018-03-02 | 2020-09-29 | Apple Inc. | Training speaker recognition models for digital assistants |
US10592604B2 (en) | 2018-03-12 | 2020-03-17 | Apple Inc. | Inverse text normalization for automatic speech recognition |
US10818288B2 (en) | 2018-03-26 | 2020-10-27 | Apple Inc. | Natural assistant interaction |
US10909331B2 (en) | 2018-03-30 | 2021-02-02 | Apple Inc. | Implicit identification of translation payload with neural machine translation |
US10928918B2 (en) | 2018-05-07 | 2021-02-23 | Apple Inc. | Raise to speak |
US11145294B2 (en) | 2018-05-07 | 2021-10-12 | Apple Inc. | Intelligent automated assistant for delivering content from user experiences |
US10984780B2 (en) | 2018-05-21 | 2021-04-20 | Apple Inc. | Global semantic word embeddings using bi-directional recurrent neural networks |
US11386266B2 (en) | 2018-06-01 | 2022-07-12 | Apple Inc. | Text correction |
DK201870355A1 (en) | 2018-06-01 | 2019-12-16 | Apple Inc. | VIRTUAL ASSISTANT OPERATION IN MULTI-DEVICE ENVIRONMENTS |
DK179822B1 (da) | 2018-06-01 | 2019-07-12 | Apple Inc. | Voice interaction at a primary device to access call functionality of a companion device |
US10892996B2 (en) | 2018-06-01 | 2021-01-12 | Apple Inc. | Variable latency device coordination |
DK180639B1 (en) | 2018-06-01 | 2021-11-04 | Apple Inc | DISABILITY OF ATTENTION-ATTENTIVE VIRTUAL ASSISTANT |
US10496705B1 (en) | 2018-06-03 | 2019-12-03 | Apple Inc. | Accelerated task performance |
US11010561B2 (en) | 2018-09-27 | 2021-05-18 | Apple Inc. | Sentiment prediction from textual data |
US10839159B2 (en) | 2018-09-28 | 2020-11-17 | Apple Inc. | Named entity normalization in a spoken dialog system |
US11170166B2 (en) | 2018-09-28 | 2021-11-09 | Apple Inc. | Neural typographical error modeling via generative adversarial networks |
US11462215B2 (en) | 2018-09-28 | 2022-10-04 | Apple Inc. | Multi-modal inputs for voice commands |
US11475898B2 (en) | 2018-10-26 | 2022-10-18 | Apple Inc. | Low-latency multi-speaker speech recognition |
US11638059B2 (en) | 2019-01-04 | 2023-04-25 | Apple Inc. | Content playback on multiple devices |
US11348573B2 (en) | 2019-03-18 | 2022-05-31 | Apple Inc. | Multimodality in digital assistant systems |
US11423908B2 (en) | 2019-05-06 | 2022-08-23 | Apple Inc. | Interpreting spoken requests |
US11307752B2 (en) | 2019-05-06 | 2022-04-19 | Apple Inc. | User configurable task triggers |
DK201970509A1 (en) | 2019-05-06 | 2021-01-15 | Apple Inc | Spoken notifications |
US11475884B2 (en) | 2019-05-06 | 2022-10-18 | Apple Inc. | Reducing digital assistant latency when a language is incorrectly determined |
US11140099B2 (en) | 2019-05-21 | 2021-10-05 | Apple Inc. | Providing message response suggestions |
US11496600B2 (en) | 2019-05-31 | 2022-11-08 | Apple Inc. | Remote execution of machine-learned models |
US11289073B2 (en) | 2019-05-31 | 2022-03-29 | Apple Inc. | Device text to speech |
DK180129B1 (en) | 2019-05-31 | 2020-06-02 | Apple Inc. | USER ACTIVITY SHORTCUT SUGGESTIONS |
US11360641B2 (en) | 2019-06-01 | 2022-06-14 | Apple Inc. | Increasing the relevance of new available information |
WO2021056255A1 (en) | 2019-09-25 | 2021-04-01 | Apple Inc. | Text detection using global geometry estimators |
KR20210044985A (ko) * | 2019-10-16 | 2021-04-26 | 엘지전자 주식회사 | 음성 처리 방법 및 음성 처리 장치 |
US11595517B2 (en) | 2021-04-13 | 2023-02-28 | Apple Inc. | Digital assistant integration with telephony |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0459384A1 (de) * | 1990-05-28 | 1991-12-04 | Matsushita Electric Industrial Co., Ltd. | Sprachsignalverarbeitungsvorrichtung zum Herausschneiden von einem Sprachsignal aus einem verrauschten Sprachsignal |
US5127043A (en) * | 1990-05-15 | 1992-06-30 | Vcs Industries, Inc. | Simultaneous speaker-independent voice recognition and verification over a telephone network |
US5655058A (en) * | 1994-04-12 | 1997-08-05 | Xerox Corporation | Segmentation of audio data for indexing of conversational speech for real-time or postprocessing applications |
WO2004038697A1 (en) * | 2002-10-23 | 2004-05-06 | Koninklijke Philips Electronics N.V. | Controlling an apparatus based on speech |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19636452A1 (de) * | 1996-09-07 | 1998-03-12 | Altenburger Ind Naehmasch | Mehrnutzersystem zur Spracheingabe |
DE10209324C1 (de) * | 2002-03-02 | 2002-10-31 | Daimler Chrysler Ag | Automatische Detektion von Sprecherwechseln in sprecheradaptiven Spracherkennungssystemen |
JP2008501991A (ja) * | 2004-06-04 | 2008-01-24 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | 対話的音声認識システムのためのパフォーマンス予測 |
DE102004030054A1 (de) * | 2004-06-22 | 2006-01-12 | Bayerische Motoren Werke Ag | Verfahren zur sprecherabhängigen Spracherkennung in einem Kraftfahrzeug |
US9300790B2 (en) * | 2005-06-24 | 2016-03-29 | Securus Technologies, Inc. | Multi-party conversation analyzer and logger |
-
2008
- 2008-05-20 DE DE102008024258A patent/DE102008024258A1/de not_active Ceased
-
2009
- 2009-05-14 WO PCT/CH2009/000159 patent/WO2009140781A1/de active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5127043A (en) * | 1990-05-15 | 1992-06-30 | Vcs Industries, Inc. | Simultaneous speaker-independent voice recognition and verification over a telephone network |
EP0459384A1 (de) * | 1990-05-28 | 1991-12-04 | Matsushita Electric Industrial Co., Ltd. | Sprachsignalverarbeitungsvorrichtung zum Herausschneiden von einem Sprachsignal aus einem verrauschten Sprachsignal |
US5655058A (en) * | 1994-04-12 | 1997-08-05 | Xerox Corporation | Segmentation of audio data for indexing of conversational speech for real-time or postprocessing applications |
WO2004038697A1 (en) * | 2002-10-23 | 2004-05-06 | Koninklijke Philips Electronics N.V. | Controlling an apparatus based on speech |
Non-Patent Citations (1)
Title |
---|
MADDOX J: "COCKTAIL PARTY EFFECT MADE TOLERABLE", NATURE, NATURE PUBLISHING GROUP, LONDON, UK, vol. 369, no. 6481, 16 June 1994 (1994-06-16), pages 517, XP000455269, ISSN: 0028-0836 * |
Also Published As
Publication number | Publication date |
---|---|
DE102008024258A1 (de) | 2009-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2009140781A1 (de) | Verfahren zur klassifizierung und entfernung unerwünschter anteile aus einer äusserung bei einer spracherkennung | |
DE102009051508B4 (de) | Vorrichtung, System und Verfahren zur Sprachdialogaktivierung und -führung | |
DE102015213715A1 (de) | Spracherkennungsvorrichtung und Spracherkennungsverfahren | |
WO2003060877A1 (de) | Betriebsverfahren eines automatischen spracherkenners zur sprecherunabhängigen spracherkennung von worten aus verschiedenen sprachen und automatischer spracherkenner | |
EP0994461A2 (de) | Verfahren zur automatischen Erkennung einer buchstabierten sprachlichen Äusserung | |
DE102019107624A1 (de) | System und Verfahren zur Erfüllung einer Sprachanforderung | |
DE69924596T2 (de) | Auswahl akustischer Modelle mittels Sprecherverifizierung | |
DE60034772T2 (de) | Zurückweisungsverfahren in der spracherkennung | |
EP3430615B1 (de) | Fortbewegungsmittel, system und verfahren zur anpassung einer länge einer erlaubten sprechpause im rahmen einer spracheingabe | |
EP1456837B1 (de) | Verfahren und vorrichtung zur spracherkennung | |
EP1640969B1 (de) | Verfahren zur Sprecheradaption für ein Hidden-Markov-Modell basiertes Spracherkennungssystem | |
WO2001086634A1 (de) | Verfahren zum erzeugen einer sprachdatenbank für einen zielwortschatz zum trainieren eines spracherkennungssystems | |
EP1723636A1 (de) | Benutzer- und vokabularadaptive bestimmung von konfidenz- und rückweisungsschwellen | |
DE102018132160A1 (de) | System und verfahren zum verstehen von standardsprache und dialekten | |
DE102005030965B4 (de) | Erweiterung des dynamischen Vokabulars eines Spracherkennungssystems um weitere Voiceenrollments | |
DE60029456T2 (de) | Verfahren zur Online-Anpassung von Aussprachewörterbüchern | |
DE102013222520B4 (de) | Verfahren für ein sprachsystem eines fahrzeugs | |
EP0817167B1 (de) | Spracherkennungsverfahren und Anordnung zum Durchführen des Verfahrens | |
EP3735688B1 (de) | Verfahren, vorrichtung und computerlesbares speichermedium mit instruktionen zum verarbeiten einer spracheingabe, kraftfahrzeug und nutzerendgerät mit einer sprachverarbeitung | |
WO2005069278A1 (de) | Verfahren und vorrichtung zur bearbeitung eines sprachsignals für die robuste spracherkennung | |
DE102008024257A1 (de) | Verfahren zur Sprecheridentifikation bei einer Spracherkennung | |
EP0470411A2 (de) | Anpassung von Referenzsprachmustern an umgebungsbedingte Aussprachevarianten | |
DE10308611A1 (de) | Ermittlung der Verwechslungsgefahr von Vokabulareinträgen bei der phonembasierten Spracherkennung | |
DE4240978A1 (de) | Verfahren zur Verbesserung der Erkennungsqualität bei sprecherabhängiger Spracherkennung, insbesondere Sprecherverifikation | |
DE102008062923A1 (de) | Verfahren und Vorrichtung zur Erzeugung einer Trefferliste bei einer automatischen Spracherkennung |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 09749385 Country of ref document: EP Kind code of ref document: A1 |
|
122 | Ep: pct application non-entry in european phase |
Ref document number: 09749385 Country of ref document: EP Kind code of ref document: A1 |