-
Die
vorliegende Erfindung betrifft eine Spracherkennungsvorrichtung
und ein Spracherkennungsverfahren unter Verwendung von Hidden-Markov-Modellen
(HMM). Insbesondere ermöglicht
es die vorliegende Erfindung, den Klang von in einer Vokabelliste
enthaltenen Wörtern
mit hoher Genauigkeit zu erkennen und die Speicheranforderungen
zu reduzieren, selbst wenn die Sprachmerkmale mit dem Alter oder
dem Geschlecht des Sprechers variieren, oder wenn mehr als eine
Art existiert, um ein einzelnes Vokabularelement auszusprechen,
beispielsweise wenn es umgangssprachlich ausgedrückt wird.
-
Stand der
Technik
-
Die
Technologie zur Erkennung festgelegter Wörter, die nicht spezifizierten
Benutzern gemeinsam sind, ist allgemein als sprecherunabhängige Spracherkennung
bekannt. Bei der sprecherunabhängigen
Spracherkennung werden Informationen über Merkmalsparameter festgelegter
Wörter,
die nicht spezifizierten Benutzern gemeinsam sind, in einer Speichereinheit,
wie beispielsweise einem ROM, gesammelt.
-
Bekannte
Verfahren zum Umwandeln von Sprachproben in eine Abfolge von Merkmalsparametern
umfassen die Cepstrumanalyse und die lineare prädiktive Analyse. Daneben werden
Hidden-Markov-Modelle verwendende Verfahren im allgemeinen verwendet,
um Informationen (Daten) über
Merkmalsparameter festgelegter Wörter,
die nicht spezifizierten Sprechern bekannt sind, aufzubereiten und
die Informationen mit der aus eingehender Sprache umgewandelten
Abfolge von Merkmalsparametern zu vergleichen.
-
Die
sprecherunabhängige
Spracherkennung mittels Hidden-Markov-Modellen ist im Detail in "Digital Signal Processing
for Speech and Sound Information" (von
Kiyohiro Shikano, Tetsu Nakamura und Shiro Ise (Shokodo, Ltd.))
beschrieben.
-
Beispielsweise
wird im Falle der japanischen Sprache eine in Kapitel 2 von "Digital Signal Processing
for Speech and Sound Information" beschriebene
Phonemgruppe als Spracheinheit verwendet und jedes Phonem wird unter
Verwendung eines Hidden-Markov-Modells nachgebildet. 6 zeigt
eine Liste von Phonemgruppen-Labels. Das Wort "Hokkaido" kann beispielsweise mittels eines Netzwerks (Folge
von für
festgelegte Wörter
verwendete Label) von Phonem-Labels nachgebildet werden, die Sprechern
gemeinsam sind.
-
Wenn
die in 7(A) dargestellte Abfolge von
Labels für
festgelegte Wörter
und die in 7(B) dargestellte Phonemmodelldaten
basierend auf entsprechenden Hidden-Markov-Modellen gegeben sind,
kann der Fachmann auf diesem Gebiet leicht eine sprecherunabhängige Spracherkennungsvorrichtung
unter Verwendung des in Kapitel 4 von "Digital Signal Processing for Speech
and Sound Information" beschriebenen
Viterbi-Algorithmus konstruieren.
-
In 7(B) gibt a(I, J) die Wahrscheinlichkeit des Übergangs
von dem Zustand I in den Zustand J an. Beispielsweise gibt a(I,
1) in der Figur die Wahrscheinlichkeit des Übergangs von dem Zustand 1
in den Zustand 1 an. Ferner gibt b(I, x) die Ausgabewahrscheinlichkeit
im Zustand I an, wenn der akustische Parameter (Merkmalsparameter)
x erhalten wird. Somit gibt b(I, x) in der Figur den Ausgabeparameter
im Zustand 1 an, wenn der akustische Parameter x erhalten wird.
-
Daneben
gibt pI in der 7(B) die Wahrscheinlichkeit
des Zustands I an und wird entsprechend der nachfolgenden Gleichung
(I) aktualisiert. pI
= max (p(I-1) x a(I-1, I), pI x a(I, I)) x b(I, X) (1)max( ) auf
der rechten Seite der Gleichung (1) bedeutet, daß das größte Produkt unter den Produkten
in max( ) gewählt
wird. Das gleiche gilt im folgenden.
-
Als
nächstes
wird ein Gesamt-Flussdiagramm der Spracherkennung unter Verwendung
der zuvor beschriebenen Hidden-Markov-Modelle, die Männern und
Frauen gemeinsam sind, unter Bezugnahme auf 8 beschrieben.
-
Zunächst werden
Merkmalsparameter in einem Sprachsignal erkannt (aus diesem extrahiert). Anschließend werden
Eintrittswahrscheinlichkeiten der Merkmalsparametersequenz unter
Verwendung der Gleichung (1) unter Bezugnahme auf die erkannten
Merkmalsparameter und vorab bestimmten Männern und Frauen gemeinsamen
Hidden-Markov-Modellen M1, M2, ... Mn berechnet. Anschließend wird die
höchste
Wahrscheinlichkeit unter den berechneten Wahrscheinlichkeiten gewählt, und
die Phonemlabelsequenz, welche die höchste Wahrscheinlichkeit aufweist,
wird als Erkennungsergebnis für
den Spracheingang erhalten.
-
Die
akustischen Bedingungen unterscheiden sich im allgemeinen zwischen
erwachsenen Männern
und Frauen aufgrund der Unterschiede in der Stimmtraktlänge. Bei
einem Verfahren (Multi-Template), das manchmal zur Verbesserung
von Spracherkennungsraten verwendet wird, werden unter Verwendung
männlicher
Stimmendaten und weiblicher Stimmendaten ein akustisches Modell
für Männer und
ein akustisches Modell für
Frauen separat erstellt, wie in
9(A) gezeigt,
und anschließend
werden, wie in
9(B) gezeigt, für Männer und
Frauen Hidden-Markov-Modell-Zustandssequenzen erstellt, welche ein
Vokabular bilden, das, wenn es gesprochen wird, erkannt werden soll.
Ein Beispiel für
dieses Verfahren ist in
US 5
865 626 beschrieben, das am 02.02.1999 veröffentlicht
wurde.
-
In 9(B) gibt a(I, J) die Wahrscheinlichkeit des Übergangs
eines Modells für
Frauen von dem Zustand I in den Zustand J an, während A(I, J) die Wahrscheinlichkeit
des Übergangs
eines Modells für Männer von
dem Zustand I in den Zustand J angibt. Ferner gibt b(I, x) eine
Ausgabewahrscheinlichkeit im Zustand I an, wenn der akustische Parameter
x des Modells für
Frauen erhalten wird, während
B(I, x) die Ausgabewahrscheinlichkeit im Zustand I angibt, wenn
der akustische Parameter x des Modells für Männer erhalten wird.
-
Ferner
gibt pI in 9(B) die Wahrscheinlichkeit
des Zustands I des Modells für
Frauen an und wird entsprechend der nachfolgenden Gleichung (2) aktualisiert. pI = max (p(I-1) x a(I-1,
I), pI x a(I, I)) x b(I, X) (2)
-
Ferner
gibt PI in 9(B) die Wahrscheinlichkeit
des Zustands I des Modells für
Männer
an und wird entsprechend der nachfolgenden Gleichung (3) aktualisiert. PI = max (P(I-1) x A(I-1,
I), PI x A(I, I)) x B(I, X) (3)
-
Im
folgenden wird anhand der 10 ein Gesamtflussdiagramm
der Spracherkennung unter Verwendung der vorgenannten beiden Arten
von Hidden-Markov-Modellen
für Männer und
Frauen beschrieben.
-
Zunächst werden
Merkmalsparameter in einem Sprachsignal erkannt (aus diesem extrahiert). Anschließend werden
anhand der erkannten Merkmalsparameter, vorab bestimmter Hidden-Markov-Modelle
(Wörter)
Ma1, Ma2, ..., Man für
Männer, und
vorab bestimmter Hidden-Markov-Modelle (Wörter) Mb1, Mb2, ..., Mbn für Frauen,
Eintrittswahrscheinlichkeiten unter Verwendung der Gleichungen (2)
und (3) berechnet. Anschließend
wird die größte Wahrscheinlichkeit
aus den berechneten Wahrscheinlichkeiten gewählt, und die Phonemlabelsequenz,
welche die größte Wahrscheinlichkeit
ergibt, wird als Erkennungsergebnis für die Eingangssprache erhalten.
-
In
diesem Fall ist die Spracherkennungsrate im Vergleich zu dem Fall
erhöht,
in dem ein akustisches Modell (Hidden-Markov-Modell) aus männlichen
Stimmendaten und weiblichen Stimmendaten gebildet ist, jedoch verdoppelt
sich der zum Bilden eines Vokabulars benutzte Speicher im Vergleich
zur Verwendung eines gemeinsamen Modells für Männer und Frauen. Ferner vergrößert sich
aus der Speicher zum Speichern von Informationen über Wahrscheinlichkeiten
verschiedner Zustände.
-
Wie
zuvor beschrieben, verbessert die Verwendung von geschlechtsspezifischen
akustischen Multi-Template-Modellen für die sprecherunabhängige Spracherkennung
die Spracherkennungsrate im Vergleich zu der Verwendung eines aus
männlichen Stimmendaten
und weiblichen Stimmendaten erstellten akustischen Modells, jedoch
verdoppelt die Einführung
des Multi-Templates praktisch das Vokabular, was zu einem erhöhten Speicherbedarf
führt.
-
In
jüngerer
Zeit nahm die Nachfrage nach Spracherkennung bei Anwendungsprogrammen
seitens eines zunehmend breiter werdenden Spektrums von Altersgruppen
zu, und eine hohe Spracherkennungsrate wird ungeachtet der Altersgruppe
gewünscht.
Somit ist vorstellbar, dass in Zukunft akustische Modelle für erwachsene
Männer,
erwachsene Frauen, Kinder im Grundschulalter und jünger, und alte
Menschen verwendet werden. In diesem Fall vervierfacht sich das
Vokabular praktisch, wodurch die Speicheranforderungen weiter steigen.
-
Je
größer das
Vokabular ist, desto stärker
ist der Zuwachs an Speichererfordernis. Dies ist ein großer (Produktions-)
Kostennachteil, beispielsweise bei dem Integrieren von Spracherkennung
in ein Mobiltelefon. Es ist daher erwünscht, die Zunahme der Speichererfordernis
zu begrenzen und die Produktionskosten zu verringern, während gleichzeitig
die Spracherkennungsraten unter Verwendung mehrerer akustischer
Modelle verbessert werden soll.
-
Selbst
wenn ein gemeinsames akustisches Modell für Männer und Frauen verwendet wird,
wird ein einzelnes Vokabularelement (Wort) als zwei Vokabularelemente
behandelt, wenn es unterschiedliche umgangssprachliche Sprechweisen
aufweist. Beispielsweise kann das Wort "Hokkaido" auf zwei Arten ausgesprochen werden: "hotskaidou" und "hotskaidoo". Dies kann durch
Verwenden des in 11 dargestellten
Viterbi-Algorithmus gelöst
werden.
-
In 11(B) gibt au(I, J) die Wahrscheinlichkeit des Übergangs
des Phonems u von dem Zustand I in den Zustand J an, während ao(I,
J) die Wahrscheinlichkeit des Phonems o von dem Zustand I in den
Zustand J angibt. Ferner gibt bu(I, X) die Ausgabewahrscheinlichkeit
im Zustand I an, wenn der akustische Parameter x des Phonems u erhalten wird,
während
bo(I, x) die Ausgabewahrscheinlichkeit im Zustand I angibt, wenn
der akustische Parameter x des Phonems o erhalten wird.
-
Ferner
gibt uI in der 11(B) die Wahrscheinlichkeit
des Zustands I des Phonems u an und wird entsprechend der nachfolgenden
Gleichung (4) aktualisiert. uI = max (u(I-1) x au(I-1, I), uI x au(I, I))
x bu(I, X) (4)
-
Ferner
gibt oI in 9(B) die Wahrscheinlichkeit
des Zustands I des Phonems o an und wird entsprechend der nachfolgenden
Gleichung (5) aktualisiert. oI = max (o(I-1) x ao(I-1, I), oI x ao(I, I))
x bo(I, X) (5)
-
Wiederum
steigen die Speichererfordernisse wie bei der Verwendung von geschlechtsspezifischen
akustischen Multi-Template-Modellen.
-
Es
ist daher die Aufgabe der vorliegenden Erfindung, eine Spracherkennungsvorrichtung
und ein Spracherkennungsverfahren zu schaffen, welche die Genauigkeit
der Spracherkennungsraten verbessern können, ohne die Speicherkapazität des Arbeitsspeichers
oder dergleichen für
die Spracherkennung zu vergrößern.
-
Offenbarung
der Erfindung
-
Die
vorliegende Erfindung schafft eine Spracherkennungsvorrichtung nach
Anspruch 1 zum Erkennen der Sprache von nicht spezifizierten Sprechern
unter Verwendung von Hidden-Markov-Modellen, wobei die Vorrichtung
aufweist: eine Erkennungseinrichtung zum Erkennen von Merkmalsparametern
von Eingangssprache; eine Erkennungsdatenspeichereinrichtung zum
Vorabspeichern von Ausgangswahrscheinlichkeitsfunktionen und Übergangswahrscheinlichkeiten,
die als Argumente die Merkmalsparameter verwenden, welche in mehreren vorbestimmten
Hidden-Markov-Modellen voreingestellt sind, welche jedes von mehreren
vorbestimmten Wörtern
repräsentieren;
eine Erkennungseinrichtung zum Bestimmen der Wahrscheinlichkeit
des Eintretens, dass eine Abfolge der Merkmalsparameter auftritt,
in bezug auf die von der Erkennungseinrichtung erkannten Merkmalsparameter
und auf die Hidden-Markov-Modelle, dadurch gekennzeichnet, dass die
Erkennungseinrichtung jedem der Wörter in dem Vorgang des Bestimmens
der Eintrittswahrscheinlichkeit eine Zustandssequenz eines der Hidden-Markov-Modelle
zuweist, das den mehreren Arten von Hidden-Markov-Modellen gemeinsam
ist, und die Erkennungseinrichtung jedes aus einem Ausgangswahrscheinlichkeitsfunktionswert
und einer Übergangswahrscheinlichkeit gebildete
Paar unter den in der Erkennungsdatenspeichereinrichtung gespeicherten
Ausgangswahrscheinlichkeitsfunktionswerten und Übergangswahrscheinlichkeiten
miteinander multipliziert, das größte Produkt als die Wahrscheinlichkeit
jedes Zustands des gemeinsamen Hidden-Markov-Modells wählt, die
Eintrittswahrscheinlichkeit basierend auf dem gewählten größten Produkt
bestimmt, und anschließend
die Eingangssprache basierend auf der solchermaßen bestimmten Eintrittswahrscheinlichkeit
erkennt.
-
Ausführungsformen
der erfindungsgemäßen Spracherkennungsvorrichtung
umfassen eine Spracherkennungsvorrichtung, die dadurch gekennzeichnet
ist, dass die zuvor beschriebene Erkennungseinrichtung die Übergangswahrscheinlichkeit
jedes Zustands des Hidden-Markov-Modells mit den mehreren Arten
von Hidden-Markov-Modellen
teilt, um die zuvor beschriebene Eintrittswahrscheinlichkeit zu
bestimmen.
-
Ausführungsformen
der erfindungsgemäßen Spracherkennungsvorrichtung
umfassen eine Spracherkennungsvorrichtung, die dadurch gekennzeichnet
ist, dass die zuvor beschriebenen mehreren vorbestimmten Arten von
Hidden-Markov-Modellen
mindestens zwei Arten umfassen, die unter geschlechtsspezifischen
Hidden-Markov-Modellen, mehreren altersspezifischen Hidden-Markov-Modellen
und mehreren Hidden-Markov-Modellen, die auf unterschiedliche Arten
von Geräuschen
enthaltenden Stimmendaten basieren, und anderen Hidden-Markov-Modellen gewählt sind.
-
Ferner
schafft die vorliegende Erfindung ein Spracherkennungsverfahren
nach Anspruch 4. Das Verfahren umfasst die folgenden Schritte: Vorabspeichern
von Ausgangswahrscheinlichkeitsfunktionen und Übergangswahrscheinlichkeiten
in einen Speicher, die als Argumente die Merkmalsparameter verwenden,
welche in mehreren vorbestimmten Hidden-Markov-Modellen voreingestellt
sind, welche jedes von mehreren vorbestimmten Wörtern repräsentieren; und Erkennen von
Merkmalsparametern von Eingangssprache während der Spracherkennung, Bestimmen
der Wahrscheinlichkeit des Eintretens, dass eine Sequenz der Merkmalsparameter
auftritt, in bezug auf die erkannten Merkmalsparameter und die Hidden-Markov-Modelle,
und Erkennen der Eingangssprache basierend auf der derart bestimmten Eintrittswahrscheinlichkeit,
dadurch gekennzeichnet, dass das zuvor beschriebene Verfahren jedem
der Wörter
in dem Vorgang des Bestimmens der Eintrittswahrscheinlichkeit eine
Zustandssequenz eines der Hidden-Markov-Modelle
zuweist, das den mehreren Arten von Hidden-Markov-Modellen gemeinsam
ist, jedes aus einem Ausgangswahrscheinlichkeitsfunktionswert und
einer Übergangswahrscheinlichkeit
gebildete Paar unter den in dem Speicher gespeicherten Ausgangswahrscheinlichkeitsfunktionswerten und Übergangswahrscheinlichkeiten
miteinander multipliziert, das größte Produkt als die Wahrscheinlichkeit
jedes Zustands des gemeinsamen Hidden-Markov-Modells wählt, und
die Eintrittswahrscheinlichkeit basierend auf dem gewählten größten Produkt
bestimmt, und anschließend
die Eingangssprache basierend auf der solchermaßen bestimmten Eintrittswahrscheinlichkeit
erkennt.
-
Ausführungsformen
des erfindungsgemäßen Spracherkennungsverfahrens
umfassen ein Spracherkennungsverfahren, das dadurch gekennzeichnet
ist, dass die Übergangswahrscheinlichkeit
jedes Zustands des zuvor beschriebenen Hidden-Markov-Modells mit den zuvor beschriebenen
mehreren Arten von Hidden-Markov-Modellen
geteilt wird, um die zuvor beschriebene Eintrittswahrscheinlichkeit
zu bestimmen.
-
Ausführungsformen
des erfindungsgemäßen Spracherkennungsverfahrens
umfassen ein Spracherkennungsverfahren, das dadurch gekennzeichnet
ist, dass die zuvor beschriebenen mehreren vorbestimmten Arten von
Hidden-Markov-Modellen
mindestens zwei Arten umfassen, die unter geschlechtsspezifischen
Hidden-Markov-Modellen, mehreren altersspezifischen Hidden-Markov-Modellen
und mehreren Hidden-Markov-Modellen, die auf unterschiedliche Arten
von Geräuschen
enthaltenden Stimmendaten basieren, und anderen Hidden-Markov-Modellen gewählt sind.
-
Auf
diese Weise verwendet die vorliegende Erfindung mehrere Arten von
Hidden- Markov-Modellen (akustische Modelle), erkennt jedoch Vokabularelemente
(Wörter)
ohne die Verwendung von Multi-Templates während der Spracherkennung.
Sie kann somit die Genauigkeit von Spracherkennungsraten verbessern,
ohne die Speicherkapazität
des Arbeitsspeichers oder dergleichen für die Spracherkennung zu vergrößern.
-
Selbst
wenn mehr als eine Art existiert, ein einzelnes Vokabularelement
auszusprechen, beispielsweise, wenn es umgangssprachlich ausgesprochen
wird, kann die vorliegende Erfindung die Genauigkeit der Spracherkennungsraten
unter Verwendung einer Art von Hidden-Markov-Modell verbessern,
ohne die Speicherkapazität
des Arbeitsspeichers oder dergleichen für die Spracherkennung zu vergrößern.
-
Kurze Beschreibung
der Zeichnungen
-
1 ist
ein Blockdiagramm zur Darstellung eines Konfigurationsbeispiels
eines Ausführungsbeispiels
einer erfindungsgemäßen Spracherkennungsvorrichtung;
-
2 ist ein erklärendes Diagramm zur Darstellung
eines Viterbi-Algorithmus nach einem Ausführungsbeispiel der vorliegenden
Erfindung;
-
3 ist
ein erklärendes
Diagramm zur Darstellung eines Gesamtablaufs der Erkennungsoperationen
nach einem Ausführungsbeispiel
der vorliegenden Erfindung;
-
4 ist ein erklärendes Diagramm zur Darstellung
eines Viterbi-Algorithmus nach einem anderen Ausführungsbeispiel
der vorliegenden Erfindung;
-
5 ist
ein Diagramm zum Vergleich eines erfindungsgemäßen Beispiels mit herkömmlichen Beispielen
auf exemplarische Weise;
-
6 ist
ein Diagramm, das eine Liste von Phonemgruppenlabeln zeigt;
-
7 ist ein Diagramm, das einen Viterbi-Algorithmus
zeigt, der ein herkömmliches
gemeinsames Hidden-Markov-Modell für Männer und Frauen verwendet;
-
8 ist
ein Diagramm zur Darstellung des Gesamtablaufs der Erkennungsoperationen
unter Verwendung des herkömmlichen
gemeinsamen Hidden-Markov-Modells
für Männer und
Frauen;
-
9 ist ein Diagramm zur Darstellung eines Viterbi-Algorithmus,
der herkömmliche
geschlechtsspezifische Multi-Template-Hidden-Markov-Modelle verwendet;
-
10 ist
ein Diagramm zur Darstellung des Gesamtablaufs der Erkennungsoperationen
unter Verwendung der herkömmlichen
geschlechtsspezifischen Multi-Template-Hidden-Markov-Modelle;
und
-
11 ist ein Diagramm zur Darstellung eines
herkömmlichen
Beispiels für
einen Viterbi-Algorithmus, der ein gemeinsames Hidden-Markov-Modell
für Männer und
Frauen verwendet, wenn ein Vokabularelement auf zwei Arten ausgesprochen
werden kann.
-
Beste Art
der Durchführung
der Erfindung
-
Im
folgenden werden Ausführungsbeispiele der
vorliegenden Erfindung unter Bezugnahme auf die zugehörigen Zeichnungen
beschrieben.
-
Ein
Ausführungsbeispiel
einer erfindungsgemäßen Spracherkennungsvorrichtung
wird anhand der 1 bis 3 beschrieben.
-
Die
Spracherkennungsvorrichtung gemäß diesem
Ausführungsbeispiel
umfasst zumindest ein Mikrophon 1, einen A/D-Wandler 2,
einen Merkmalswertdetektor 3, eine Spracherkennungseinrichtung 4, eine
Ausgabeeinheit 5, einen ROM 6, und einen RAM 7,
wie in 1 dargestellt.
-
Das
Mikrophon 1 wandelt Sprache in ein entsprechendes analoges
elektrisches Signal um. Der A/D-Wandler 2 wandelt das analoge
Signal in ein digitales Signal um. Der Merkmalswertdetektor 3 bestimmt
Merkmalsparameter basierend auf dem digitalen Signal und wandelt
die bestimmten Merkmalsparameter in eine Zeitfolge um.
-
Die
Spracherkennungseinrichtung 4 erkennt die Sprache nicht
spezifizierter Sprecher unter Verwendung von Hidden-Markov-Modellen
nach im folgenden noch beschriebenen Abläufen. Details der Erkennungsabläufe werden
später
be schrieben. Die Ausgabeeinheit 5, bei der es sich beispielsweise
um eine Anzeigeeinheit handeln kann, gibt Erkennungsergebnisse aus,
die von der Spracherkennungseinrichtung 4 erzeugt wurden.
-
Der
ROM ist ein Nur-Lese-Speicher, in dem die noch zu beschreibenden
Spracherkennungsabläufe,
noch zu beschreibende Wahrscheinlichkeitsdaten über Hidden-Markov-Modelle für Frauen,
noch zu beschreibende Wahrscheinlichkeitsdaten über Hidden-Markov-Modelle für Männer, etc.
gespeichert sind.
-
Der
RAM ist ein frei lesbarer/beschreibbarer Direktzugriffsspeicher,
der, wie noch zu beschreiben, während
der Spracherkennung als Arbeitsspeicher verwendet wird. Er speichert
beispielsweise erforderliche Daten und Ergebnisdaten zeitweilig
während des
Spracherkennungsvorgangs.
-
Im
folgenden werden die Spracherkennungsoperationen der Spracherkennungsvorrichtung gemäß diesem
Ausführungsbeispiel
mit der beschriebenen Konfiguration unter Bezugnahme auf die Zeichnungen
beschrieben.
-
Nach
diesem Ausführungsbeispiel
werden zwei Arten von Hidden-Markov-Modellen, Hidden-Markov-Modelle für Männer und
für Frauen
vorab für
Vokabularelemente (Wörter)
vorbereitet, wie "Hokkaido", "Aomori" und "Akita", die bei der Erkennung
der Sprache nicht spezifizierter Sprecher erkannt werden sollen.
Ferner werden Konstante, die zur Bildung mehrerer Paare einer Übergangswahrscheinlichkeit
und einer Ausgabewahrscheinlichkeitsfunktion für individuelle Zustände jedes
Hidden-Markov-Modells verwendet werden, voreingestellt und diese
Wahrscheinlichkeitsdaten werden in dem ROM 6 vorab gespeichert.
-
Es
sei angenommen, dass beispielsweise ein gesprochenes Wort "hotskaidou" von einem erwachsenen
Sprecher (ungeachtet des Geschlechts) durch das Mikrophon 1 eingegeben
wird. Die Sprache wird von dem Mikrophon 1 in ein analoges
elektrisches Signal und anschließend von dem A/D-Wandler 2 in
ein digitales Signal umgewandelt. Der Merkmalswertdetektor 3 bestimmt
Merkmalsparameter basierend auf dem digitalen Signal und wandelt
diese in Zeitfolgen-Merkmalsparameter
um.
-
Unter
Bezugnahme auf die Übergangswahrscheinlichkeiten
und die Ausgabewahrscheinlichkeitsfunktionen der separaten Hidden-Markov-Modelle
für Männer und
Frauen, die in dem ROM 6 gespeichert sind, sowie auf die
umgewandelten Zeitfolgen-Merkmalsparameter (akustische Parameter)
bestimmt die Spracherkennungseinrichtung 4 die Eintrittswahrscheinlichkeit
einer Abfolge der Merkmalsparameter unter Verwendung des in 2 dargestellten Viterbi-Algorithmus und erkennt
die Eingangssprache basierend auf der bestimmten Eintrittswahrscheinlichkeit.
-
2(A) zeigt eine Männern und Frauen gemeinsame
Phonemsequenz, während 2(B) eine Hidden-Markov-Modell-Zustandssequenz
jedes Phonems darstellt.
-
In 2(B) gibt a(I, J) die Wahrscheinlichkeit des Übergangs
eines Modells für
Frauen vom Zustand I in den Zustand J an, während A(I, J) die Wahrscheinlichkeit
des Übergangs
eines Modells für
Männer
von dem Zustand I in den Zustand J angibt. Ferner gibt b(I, x) die
Ausgabewahrscheinlichkeit im Zustand I an, wenn der akustische Parameter
x des Modells für
Frauen erhalten wird, während
B(I, x) eine Ausgabewahrscheinlichkeit im Zustand I angibt, wenn
der akustische Parameter x des Modells für Männer erhalten wird.
-
Des
weiteren gibt pI in der 2(B) die Wahrscheinlichkeit
des Zustands I in der gemeinsamen Zustandssequenz für Männer und
Frauen an, und wird entsprechend der nachfolgenden Gleichung (6)
aktualisiert: PI
= max(p(I-1) x PenterI, pI x PselfI) (6),wobei die
Wahrscheinlichkeit PselfI und die Wahrscheinlichkeit PenterI durch
die Gleichung (7) und die Gleichung (8) angegeben werden. PselfI = max(a(I, I) x b(I,
X), A(I, I) x B(I, X)) (7) PenterI = max(a(I-1) x b(I,
X), A(I-1) x B(I, X)) (8)
-
Somit
liefert die Spracherkennungseinrichtung 4 eine Zustandssequenz
eines gemeinsamen Hidden-Markov-Modells für ein Vokabularelement (Wort),
wie bei spielsweise "Hokkaido" oder "Aomori", das separaten Hidden-Markov-Modellen
für Männer und
Frauen gemeinsam ist.
-
Anschließend wird
die Wahrscheinlichkeit jedes Zustands des gemeinsamen Hidden-Markov-Modells
für jedes
Wort bestimmt. Zu diesem Zweck werden die Ausgabewahrscheinlichkeitsfunktion
und die Übergangswahrscheinlichkeit,
die in dem Hidden-Markov-Modell für Männer voreingestellt sind, unter
Verwendung eines bestimmten Merkmalsparameters als Argument (Eingabe)
miteinander multipliziert, und die Ausgabewahrscheinlichkeitsfunktion
und die Übergangswahrscheinlichkeit,
die in dem Hidden-Markov-Modell für Frauen voreingestellt sind,
werden unter Verwendung eines bestimmten Merkmalsparameters als
Argument (Eingabe) miteinander multipliziert. Danach wird der größere der
beiden bestimmten Wahrscheinlichkeitswerte (Produkte) gewählt (siehe
Gleichungen (7) und (8)).
-
Die
genannten Operationen werden für
jeden Zustandsübergang
der Hidden-Markov-Modelle durchgeführt, um
schließlich
die Wahrscheinlichkeiten der Zustände zu bestimmen. Dementsprechend wird
eine Zustandssequenz eines Hidden-Markov-Modells für jedes
Wort, wie beispielsweise "Hokkaido" oder "Aomori", erzeugt. Jede derart
erzeugte Zustandssequenz enthält
eine Mischung aus Produkten von Wahrscheinlichkeitsdaten, die auf
das Hidden-Markov-Modell für
Männer
bezogen sind, und Produkten von Wahrscheinlichkeitsdaten, die auf
das Hidden-Markov-Modell für
Frauen bezogen sind.
-
Der
Gesamtdatenfluss in der Spracherkennungseinrichtung 4 der
Spracherkennungsvorrichtung nach diesem Ausführungsbeispiel lässt sich
wie in 3 gezeigt zusammenfassen.
-
Wie
in 3 dargestellt, werden zunächst Merkmalsparameter in einem
Sprachsignal erkannt (aus diesem extrahiert). Anschließend werden
mit Bezug auf die erkannten Merkmalsparameter, vorab bestimmte Hidden-Markov-Modelle
(Wörter)
Ma1, Ma2, ..., Man für
Männer,
vorab bestimmte Hidden-Markov-Modelle
(Wörter)
Mb1, Mb2, ..., Mbn für Frauen,
Eintrittswahrscheinlichkeiten der Merkmalsparametersequenz unter
Verwendung der Gleichungen (7) und (8) berechnet.
-
Zur
Bestimmung der Wahrscheinlichkeit jedes Zustands des Hidden-Markov-Modells (gemeinsames
Hidden-Markov-Modell für
Männer
und Frauen) für
jedes Wort, werden die Ausgabewahrscheinlichkeitsfunktion und die Übergangswahrscheinlichkeit,
die in dem Hidden-Markov-Modell für Männer voreingestellt sind, unter
Verwendung eines bestimmten Merkmalsparameters als Argument miteinander
multipliziert, und die Ausgabewahrscheinlichkeitsfunktion und die Übergangswahrscheinlichkeit, die
in dem Hidden-Markov-Modell für
Frauen voreingestellt sind, werden unter Verwendung eines bestimmten
Merkmalsparameters als Argument miteinander multipliziert. Danach
wird der größere der
beiden bestimmten Wahrscheinlichkeitswerte gewählt.
-
Danach
werden die derart gewählten
Produkte zum Bestimmen der Eintrittswahrscheinlichkeit jeder Merkmalsparametersequenz
summiert. Anschließend
wird aus den bestimmten Eintrittswahrscheinlichkeiten die größte Wahrscheinlichkeit
gewählt,
und die Phonemlabelsequenz, welche die höchste Wahrscheinlichkeit ergibt,
wird als das Erkennungsergebnis der Eingangssprache erhalten.
-
Wie
zuvor beschrieben, weist nach diesem Ausführungsbeispiel ein separaten
Hidden-Markov-Modellen für
Männer
und Frauen gemeinsames Wort eine Zustandssequenz eines gemeinsamen
Hidden-Markov-Modells auf, und die Wahrscheinlichkeit jedes Zustands
des gemeinsamen Hidden-Markov-Modells wird bestimmt. Zu diesem Zweck
werden die Ausgabewahrscheinlichkeitsfunktion und die Übergangswahrscheinlichkeit,
die in dem Hidden-Markov-Modell für Männer voreingestellt sind, unter
Verwendung eines bestimmten Merkmalsparameters als Argument miteinander
multipliziert, und die Ausgabewahrscheinlichkeitsfunktion und die Übergangswahrscheinlichkeit,
die in dem Hidden-Markov-Modell für Frauen voreingestellt sind, werden
unter Verwendung eines bestimmten Merkmalsparameters als Argument
miteinander multipliziert. Danach wird der größere der beiden bestimmten
Wahrscheinlichkeitswerte gewählt.
-
Dieses
Ausführungsbeispiel
kann somit die Erkennungsrate ungeachtet von Unterschieden in Alter
und Geschlecht unter Verwendung mehrerer Hidden-Markov-Modelle verbessern.
-
Nach
diesem Ausführungsbeispiel
ist ferner ein Hidden-Markov-Modell für die Spracherkennung vorgesehen,
das separaten Hidden-Markov-Modellen für Männer und Frauen gemeinsam ist.
Infolgedessen kann dieses Ausführungsbeispiel
die Speicherkapazität
in Abhängigkeit
von der Anzahl der zu berechnenden Zustände auf die Hälfte des
Speichers verringern, der von dem in den 9 und 10 dargestellten
Algorithmus benötigt
wird.
-
Ferner
wird bei dem genannten Ausführungsbeispiel
die Wahrscheinlichkeit jedes Zustands in der gemeinsamen Zustandssequenz
für Männer und
Frauen basierend auf den Gleichungen (6) bis (8) bestimmt, anstatt
eine Zustandsübergangswahrscheinlichkeit
zu verwenden, die einem Modell für Männer und
einem Modell für
Frauen gemeinsam ist.
-
Erfindungsgemäß kann jedoch
auch eine Zustandsübergangswahrscheinlichkeit
verwendet werden, die einem Modell für Männer und einem Modell für Frauen
gemeinsam ist. In diesem Fall wird zur Bestimmung einer Wahrscheinlichkeit
in einer gemeinsamen Zustandssequenz für Männer und Frauen zuerst die
größte Ausgabewahrscheinlichkeit
gewählt
und anschließend
wird die gewählte
Ausgabewahrscheinlichkeit mit der gemeinsamen Übergangswahrscheinlichkeit
multipliziert.
-
Im
folgenden wird eine Spracherkennungsvorrichtung nach einem anderen
Ausführungsbeispiel
der vorliegenden Erfindung beschrieben.
-
Die
Spracherkennungsvorrichtung nach diesem Ausführungsbeispiel weist ein Hidden-Markov-Modell
auf, um dem Fall Rechnung zu tragen, dass mehr als eine Art existiert,
ein einzelnes Vokabularelement auszusprechen, beispielsweise umgangssprachlich.
-
Die
Spracherkennungsvorrichtung nach diesem Ausführungsbeispiel ist ähnlich der
Spracherkennungsvorrichtung von 1 konfiguriert,
unterscheidet sich jedoch von dieser dadurch, dass noch zu beschreibende
Wahrscheinlichkeitsdaten und noch zu beschreibende Erkennungsabläufe in dem ROM 6 vorab
gespeichert sind, und dass die in dem ROM 6 gespeicherten
Erkennungsabläufe
für die Spracherkennungseinrichtung 4 wie
noch zu beschreiben ausgeführt
sind. Somit werden nur die sich unterscheidenden Teile beschrieben.
-
Gemäß diesem
Ausführungsbeispiel
wird jedes zu erkennende Wort durch ein Hidden-Markov-Modell wiedergegeben.
Hinsichtlich Wörtern,
die mehrere Aussprachemöglichkeiten
zulassen, werden Unterschiede in den Aussprachen jedes Worts teilweise
durch mehrere Hidden-Markov-Modelle ausgedrückt, während jedes Wort als Ganzes
durch ein Hidden-Markov-Modell wiedergegeben ist. Ausgabewahrscheinlichkeitsfunktionen
und Übergangswahrscheinlichkeiten,
die als Argumente Merkmalsparameter verwenden, welche in diesen
Hidden-Markov-Modellen
voreingestellt sind, sind in dem ROM 6 vorab gespeichert.
-
Bei
der Spracherkennung bestimmt die Spracherkennungseinrichtung 4 unter
Bezugnahme auf die von dem Merkmalswertdetektor 3 gelieferten Merkmalsparameter
und auf die Hidden-Markov-Modelle, wie im folgenden beschrieben,
Die Eintrittswahrscheinlichkeit einer Folge von Merkmalsparametern
und erkennt anschließend
die Eingangssprache basierend auf der solchermaßen bestimmten Eintrittswahrscheinlichkeit.
-
Ferner
teilt die Spracherkennungseinrichtung 4 im Verlauf des
Bestimmens der Eintrittswahrscheinlichkeit eine Zustandssequenz
eines Hidden-Markov-Modells mit den mehreren Hidden-Markov-Modellen
für Teilausdrücke.
-
Ferner
multipliziert die Spracherkennungseinrichtung 4 jedes voreingestellte
Paar aus einem Ausgabewahrscheinlichkeitsfunktionswert und einer Übergangswahrscheinlichkeit
unter den Ausgabewahrscheinlichkeitsfunktionswerten und den Übergangswahrscheinlichkeiten,
die in den mehreren Hidden-Markov-Modellen für Teilausdrücke voreingestellt sind, und
wählt das
größte Produkt
als die Wahrscheinlichkeit jedes Zustands des gemeinsamen Hidden-Markov-Modells.
-
Ferner
bestimmt die Spracherkennungseinrichtung 4 die Eintrittswahrscheinlichkeit
basierend auf dem gewählten
größten Produkt
und erkennt anschließend
die Eingangssprache basierend auf der solchermaßen bestimmten Eintrittswahrscheinlichkeit.
-
4 zeigt einen Viterbi-Algorithmus, der
für die
Spracherkennungsvorrichtung nach diesem Ausführungsbeispiel verwendet wird. 4(A) zeigt eine Phonemsequenz für den Fall,
dass beispielsweise das Wort "Hokkaido" sowohl als "hotskaidou", als auch als "hotskaidoo" ausgesprochen werden
kann, während
die 4(B) Hidden-Markov-Modell-Zustände zeigt,
welche das letzte Phonem angeben, das sich bei den beiden Aussprachemöglichkeiten unterscheidet.
-
In 4(B) gibt au(I, J) die Wahrscheinlichkeit des Übergangs
des Phonems u von dem Zustand I in den Zustand J an, während ao(I,
)) die Wahrscheinlichkeit des Übergangs
des Phonems o von dem Zustand I in den Zustand J angibt. Ferner gibt
bu(I, x) eine Ausgabewahrscheinlichkeit in dem Zustand I an, wenn
der Akustikparameter x des Phonems u erhalten wird, während bo(I,
x) eine Ausgabewahrscheinlichkeit in dem Zustand I angibt, wenn
der Akustikparameter x des Phonems o erhalten wird.
-
Ferner
gibt pI in 4(B) die Wahrscheinlichkeit
des Zustands I in der Zustandssequenz des Phonems u/o und wird entsprechend
der folgenden Gleichung (9) aktualisiert. pI = max(p(I-1) x PenterI, pI x Pselfl) (6),wobei die
Wahrscheinlichkeit Pselfl und die Wahrscheinlichkeit PenterI durch
die Gleichung (10) und die Gleichung (11) angegeben werden. Pselfl = max(au(I, I) x bu(I,
X), ao(I, I) x bo(I, X)) (10) PenterI = max(au(I-1) x bu(I,
X), ao(I-1) x bo(I, X)) (11)
-
Der
Viterbi-Algorithmus nach diesem Ausführungsbeispiel bewirkt, dass
die Spracherkennungseinrichtung 4 eine Zustandssequenz
eines Hidden-Markov-Modells
aufweist, das dem Phonem u und dem Phonem o gemeinsam ist. Anschließend wird
die Wahrscheinlichkeit jedes Zustands des gemeinsamen Hidden-Markov-Modells bestimmt.
Um die Wahrscheinlichkeit jedes Zustands des Phonems u und des Phonems
o zu bestimmen, werden die Ausgabewahrscheinlichkeitsfunktion und
die Übergangswahrscheinlichkeit
des Phonems u in dem Hidden-Markov-Modell unter Verwendung eines
bestimmten Merkmalsparameters miteinander multipliziert, und die
Ausgabewahrscheinlichkeitsfunktion und die Übergangswahrscheinlichkeit
des Phonems o in dem Hidden-Markov-Modell unter Verwendung eines
bestimmten Merkmalsparameters miteinander multipliziert. Danach
wird der größere der
beiden bestimmten Wahrscheinlichkeitswerte (Produkte) gewählt.
-
Da,
wie zuvor erwähnt,
dieses Ausführungsbeispiel
eine Zustandssequenz eines Hidden-Markov-Modells zwischen dem Phonem
u und dem Phonem o teilt, kann es im Vergleich zu dem Algorithmus der 11 die Speicherkapazität verringern, welche für die Erkennungsberechnung
erforderlich ist.
-
Bei
einer verbundenen Erkennung von japanischen Zeichen ohne Begrenzung
der Anzahl der Zeichen wurden Erkennungsraten und Speicheranforderungen
unter Verwendung von Auswertedaten, welche die Stimmen von 10 Männern und
10 Frauen bei einer Gesamtzahl von 20 Personen umfassten, wobei
bei einer Ausstellung aufgenommene Geräusche (Signal-Rauschverhältnis =
10 dB) hinzugefügt wurde,
unter drei Bedingungen gemessen: einer Bedingung, bei der gemeinsame
akustische Modelle für Männer und
Frauen verwendet wurden, eine Bedingung, bei der separate akustische
Multi-Template-Modelle für
Männer
und Frauen verwendet wurden, und eine Bedingung, bei der ein Ausführungsbeispiel
(in den 1 bis 3) dargestellt)
der vorliegenden Erfindung verwendet wurde. Ferner wurde bei der
Viterbi-Verarbeitung gekürzt,
so dass etwa 80% sämtlicher
Zustände
der gemeinsamen Modelle für
Männer
und Frauen Zustände
von Hidden-Markov-Modellen
beibehalten konnten. Eine Vergleichstabelle, welche die Erkennungsraten
und die Speicheranforderungen der verschiedenen Erkennungsverfahren
vergleicht, ist in 5 dargestellt.
-
Wie
aus der 5 ersichtlich, ist gemäß dem Ausführungsbeispiel
der vorliegenden Erfindung die durchschnittliche Erkennungsrate
im Vergleich mit der "Bedingung,
bei der gemeinsame akustische Modelle für Männer und Frauen verwendet wurden", wie auch mit "der Bedingung, bei
der separate akustische Multi-Template-Modelle für Männer und Frauen verwendet wurden" verbessert. Auch
ist die Anzahl der Personen, für
welche die Erkennungsrate niedriger als 60% ist, verringert, wie
dies auch bei "der
Bedingung, bei der separate akustische Multi-Template-Modelle für Männer und Frauen verwendet wurden" der Fall ist. Dies kann
darin begründet
sein, dass die Verwendung der separaten Modelle für Männer und
Frauen die Tendenz zu geringeren Erkennungsraten für eher maskuline
Stimmen oder eher weibliche Stimmen hinsichtlich der akustischen Charakteristiken
verringerte, was unter der "Bedingung,
bei der gemeinsame akustische Modelle für Männer und Frauen verwendet wurden" festgestellt wurde.
-
Hinsichtlich
des Arbeitsspeichers zum Speichern der Informationen über Hidden-Markov-Modell-Zustände und
des Speichers zum Speichern eines Vokabulars, lieferte das Ausführungsbeispiel
der vorliegenden Erfindung die gleichen Resultate wie unter der "Bedingung, bei der
gemeinsame akustische Modelle für
Männer
und Frauen verwendet wurden".
-
Gemäß dem vorgenannten
(in den 1 bis 3 gezeigten)
Ausführungsbeispiel
wird jedes bei der Spracherkennung zu erkennende Wort durch zwei
Arten von Hidden-Markov-Modellen, Hidden-Markov-Modelle für Männer und
für Frauen,
und Ausgabewahrscheinlichkeitsfunktionen und Übergangswahrscheinlichkeiten,
die in diesen Hidden-Markov-Modellen voreingestellt sind, in dem ROM 6 vorab
gespeichert.
-
Während der
Spracherkennung bestimmt die Spracherkennungseinrichtung 4,
in bezug auf die von dem Merkmalswertdetektor 3 gelieferten
Merkmalsparameter und die Hidden-Markov-Modelle, die Wahrscheinlichkeit
des Eintretens einer Sequenz der Merkmalsparameter, und anschließend erkennt
sie die Eingangssprache basierend auf der solchermaßen bestimmten
Eintrittswahrscheinlichkeit.
-
Ferner
weist die Spracherkennungseinrichtung 4 während des
Bestimmens der Eintrittswahrscheinlichkeit eine Zustandssequenz
eines Hidden-Markov-Modells auf, die den beiden Arten von Hidden-Markov-Modellen
für jedes
Wort gemeinsam ist. Ferner wird die Wahrscheinlichkeit jedes Zustands
des gemeinsamen Hidden-Markov-Modells bestimmt. Zu diesem Zweck
werden die Ausgabewahrscheinlichkeitsfunktion und die Übergangswahrscheinlichkeit,
die in dem Hidden-Markov-Modell
für Männer voreingestellt
sind, unter Verwendung eines bestimmten Merkmalsparameters miteinander
multipliziert, und die Ausgabewahrscheinlichkeitsfunktion und die Übergangswahrscheinlichkeit,
die in dem Hidden-Markov-Modell
für Frauen
voreingestellt sind, werden unter Verwendung eines bestimmten Merkmalsparameters
miteinander multipliziert. Danach wird der größere der beiden bestimmten
Wahrscheinlichkeitswerte gewählt.
-
Zusätzlich zu
dem Fall, dass jedes bei der Spracherkennung zu erkennende Wort,
wie beschrieben, durch zwei Arten von Hidden-Markov-Modellen, Hidden-Markov-Modelle für Männer und
für Frauen, wiedergegeben
wird, ist die vorliegende Erfindung jedoch auch nach Bedarf auf
die folgenden drei Fälle anwendbar.
-
Der
erste Fall umfasst die Verwendung zweier Arten von Hidden-Markov-Modellen, Hidden-Markov-Modelle
für Erwachsene
und für
Kinder, um jedes bei der Spracherkennung zu erkennende Wort wiederzugeben.
-
Der
zweite Fall umfasst die Verwendung von fünf Arten von Hidden-Markov-Modellen, jeweils
für erwachsene
Männer,
erwachsene Frauen, ältere Männer, ältere Frauen,
und Kinder, oder die Verwendung mehrerer separater Hidden-Markov-Modelle für unterschiedliche
Altersgruppen.
-
Der
dritte Fall umfasst die Verwendung eines Hidden-Markov-Modells,
das auf Stimmendaten basiert, die nicht viel Rauschen enthalten,
und eines Hidden-Markov-Modells,
das auf Stimmendaten basiert, die viel Rauschen enthalten, um jedes
bei der Spracherkennung zu erkennende Wort wiederzugeben.
-
Wenn
beispielsweise eine Spracherkennungsvorrichtung in einem Automobil
verwendet wird, ist der Geräuschpegel
bei nicht fahrendem Fahrzeug sehr gering, jedoch nehmen die Geräusche mit
dem Beschleunigen des Fahrzeugs oder dem Lauterstellen des Radios
zu. Das Signal-Rauschverhältnis
(S/N-Verhältnis)
kann dann –10 dB
erreichen.
-
Bei
der Verwendung von Hidden-Markov-Modellen, die auf Stimmendaten
mit geringem Geräuschpegel
bei einem Signal-Rauschverhältnis von
ungefähr
20 dB basieren, verringert sich die Erkennungsleistung mit der Zunahme
des Geräuschpegels
und wird bei 0 dB oder weniger unpraktisch.
-
Hingegen
wird bei der Verwendung von Hidden-Markov-Modellen, die auf Stimmendaten
basieren, denen viele Geräusche
mit einem Signal-Rauschverhältnis um –10 dB überlagert
sind, eine gute Leistung bei einem Signal-Rauschverhältnis von –10 dB bis
0 dB erhalten, jedoch sinkt die Erkennungsleistung in einer ruhigen
Umgebung mit 0 dB oder mehr auf ein unpraktisches Maß.
-
Somit
wird in dem dritten Fall ein Hidden-Markov-Modell, das auf Stimmendaten
mit einem Signal-Rauschverhältnis
von 20 dB basiert, und ein Hidden-Markov-Modell, das auf Stimmendaten mit einem
Signal-Rauschverhältnis
von –10
dB basiert, verwendet. Eine hohe Spracherkennungsleistung wird über einen
weitern Bereich von Umgebungen von einer geräuschvollen Umgebung mit einem Signal-Rauschverhältnis von –10 dB bis
zu einer leisen Umgebung mit einem Signal-Rauschverhältnis von mehr als 20 dB erreicht.
-
Es
existieren verschiedene Arten von Geräuschen, wie beispielsweise
die zuvor erwähnten
Geräusche
in einem fahrenden Automobil, das Treiben in einem Geschäftsgegend,
BGM, und Geräusche
in Büros,
Fabriken und anderen Orten. Das Signal-Rauschverhältnis variiert
erheblich. Ein Hidden-Markov-Modell, das auf einer Überlagerung durch
relativ ruhige Bürogeräusche basiert,
und ein Hidden-Markov-Modell,
das auf der Überlagerung durch
starke Geräusche,
die in einem fahrenden Fahrzeug erzeugt werden, basiert, können somit
in Kombination verwendet werden.
-
Die
in dem ersten bis dritten Fall verwendeten Verfahren sind die gleichen
wie bei den vorgenannten Ausführungsbeispielen,
mit der Ausnahme, dass die beiden zuvor beschriebenen Arten von
Hidden-Markov-Modellen verwendet werden, und daher wird auf eine
Beschreibung derselben verzichtet.
-
Bei
den vorangehenden Ausführungsbeispiel
wurde der Fall beschrieben, dass jedes bei der Spracherkennung zu
erkennende Wort durch zwei Arten von Hidden-Markov-Modellen für Männer und für Frauen
wiedergegeben wird, und der Fall, dass jedes bei der Spracherkennung
zu erkennende Wort in der für
den ersten bis dritten Fall beschriebenen Weise ausgedrückt wird.
-
Jedoch
kann erfindungsgemäß jedes
bei der Spracherkennung zu erkennende Wort beispielsweise durch
vier Arten von Hidden-Markov-Modellen wiedergegeben werden: geschlechtsspezifische
Hidden-Markov-Modelle, und zwei Hidden- Markov-Modelle, die auf Stimmendaten
basieren, welche verschiedene Arten von Geräuschen enthalten.
-
Es
ist ferner möglich,
Hidden-Markov-Modelle basierend auf Stimmendaten zu erstellen, die
in mehrere Gruppen mit unterschiedlichen Merkmalen aufgeteilt sind,
einschließlich
akustischer Merkmale, die mit der Stimmtraktform des Sprechers,
beispielsweise der Länge
oder Dicke, der Art des Öffnens
des Mundes, der Tonhöhe,
dem Tonfall, dem Akzent der Stimme, der Sprechgeschwindigkeit oder
der Betriebsumgebung variieren.
-
Industrielle
Anwendbarkeit
-
Die
vorliegende Erfindung verwendet mehrere Arten von Hidden-Markov-Modellen (akustische Modelle),
erkennt jedoch Vokabularelemente (Wörter) ohne Verwendung von Multi-Templates
während der
Spracherkennung. Somit kann sie die Genauigkeit der Spracherkennungsrates
erhöhen,
ohne die Speicherkapazität
des Arbeitsspeichers oder dergleichen für die Spracherkennung zu vergrößern.
-
Selbst
wenn mehr als eine Art der Aussprache eines einzelnen Vokabularelements
existiert, beispielsweise eine umgangssprachliche Aussprache, kann
die vorliegende Erfindung die Genauigkeit der Spracherkennungsraten
verbessern, indem eine Art von Hidden-Markov-Modell verwendet wird,
ohne die Speicherkapazität
des Arbeitsspeichers oder dergleichen für die Spracherkennung zu vergrößern.