-
Die
Erfindung bezieht sich auf ein Verfahren und eine Einrichtung zum
Ausführen
einer robusten Merkmalsextrahierung für eine Spracherkennung in einem
Umfeld mit Rauschen.
-
In
dem Gebiet der Spracherkennung tritt ein Hauptproblem für eine akkurate
Erkennung von Sprache in einem Fall eines Umfelds mit Rauschen auf.
Alle möglichen
verschiedenen Arten von Rauschen haben einen Einfluss auf die Spracherkennung,
und sie können
eine Erkennungsgenauigkeit drastisch verringern.
-
Vor
allem in dem Gebiet des mobilen Fernsprechverkehrs oder von Zugangssystemen,
die einen Zugang nach einer Erkennung eines gesprochenen Passworts
erlauben, wird Spracherkennung immer wichtiger. Vor allem in diesen
genannten Gebieten sind von den möglichen verschiedenen Arten
von Rauschen die problematischsten ein zusätzliches stationäres oder
ein nicht-stationäres
Hintergrundrauschen. Eine andere Art von die Erkennungsgenauigkeit
verringerndem Rauschen ist der Einfluss von Frequenzeigenschaften
eines Übertragungskanals,
falls die zu erkennende Sprache über
solch einen Kanal übertragen
wird. Zusätzliches Rauschen
kann aus einem Hintergrundrauschen in Kombination mit einem auf
einer Übertragungsleitung
erzeugten Rauschen bestehen.
-
Deshalb
ist es aus dem Stand der Technik bekannt, eine sogenannte lineare
oder nicht-lineare spektrale Subtrahierung bereitzustellen. Die
spektrale Subtrahierung ist eine Rauschunterdrückungstechnik, die die Effekte
von zusätzlichem
Rauschen zur Sprache reduziert. Sie schätzt die Größe oder das Leistungsspektrum von
sauberer Sprache ab durch ein explizites Subtrahieren der Rauschgröße oder
des Leistungsspektrums von der Größe mit Rauschen oder dem Leistungsspektrum.
Solch eine Technik wurde zum Verbessern von Sprache in verschiedenen
Kommunikationssituationen entwickelt.
-
Während die
spektrale Subtrahierung eine Abschätzung des Rauschens während Pausen
benötigt, wird
auch angenommen, dass Rauscheigenschaften sich langsam ändern, um
zu garantieren, dass die Rauschabschätzung noch gültig ist.
Der Erfolg dieses Verfahrens benötigt
die Verfügbarkeit
eines robusten Endpunktes oder eines Sprachaktivierungsdetektors,
um Sprache von Rauschen zu unterscheiden. Jedoch stellt eine gute
Sprach- und Rauschtrennung eine notwendige Bedingung dar, aber sie
ist bei einem geringen Signal-zu-Rauschverhältnis (SNR) schwer zu erreichen.
-
Zusätzlich ist
selbst dann, wenn die spektrale Subtrahierung recheneffizient ist,
da das Rauschen während
Sprachpausen abgeschätzt
wird, und selbst wenn diese Technik als eine Vorverarbeitungstechnik
implementiert werden kann, die die anderen Verarbeitungsschritte
unverändert
lässt,
die Leistungsfähigkeit
des spektralen Subtrahierungsverfahrens stark von dem Rauschen abhängig und
wie jedes Rauschen extrahiert wird. Das damit in Zusammenhang stehende
Problem ist, dass, selbst wenn das Breitbandrauschen reduziert wird,
ein Rauschrest verbleibt (Junqua et al; "Robustness in automatic speech recognition"; Kluwer Academic Publisher;
1996; Abschnitt 9.2 Speech Enhancement, Seiten 277 ff.)
-
Nichtsdestotrotz
ist, selbst wenn mit den obengenannten Verfahren die Spracherkennung
verbessert werden kann, für
diese Herangehensweisen die Abschätzung der Rauscheigenschaften
entscheidend. Wie oben bemerkt, wird eine Sprach-zu-Rausch-Unterscheidung
zum Markieren solcher Segmente eines nur Rauschen enthaltenden Sprachsignals,
gebraucht. Aber solch eine Unterscheidung kann nicht fehlerfrei
sein, und sie ist schwer zu erreichen. Zusätzlich zu diesem können, wenn
Segmente des Sprachsignals betrachtet werden, die das Überlagern
von Sprache und stationärem Rauschen
enthalten, diese Segmente durch die Überlagerung von entsprechenden
Verteilungsfunktionen für
eine spektrale Rauschkomponente und eine spektrale Sprachkomponente
beschrieben werden. Diese Verteilungsfunktionen überlappen sich abhängig von
dem SNR. Die Überlappung
ist höher
je geringer das SNR ist. Und deshalb kann es in diesem Fall nicht
entschieden werden, ob kurzzeitige Spektren Sprache in spektralen
Bereichen enthalten, wobei die spektrale Größenordnung der Sprache Werte
der gleichen Größe oder
geringeren Größe als das
Rauschen annimmt.
-
Matsumoto
H et al; "Smoothed
Spectral Subtraction for a Frequency-Weighted HMM in Noisy Speech Recognition", Proceedings of
the International Conference on Spoken Language Processing, XX,
XX, 1. Januar 1996, Seiten 905-908, XP002065141 beschreibt ein Verfahren,
in welchem ein sauberes Sprachleistungsspektrum durch eine spektrale
Subtrahierung eines abgeschätzten
Rauschleistungsspektrums von einem Sprachleistungsspektrum mit Rauschen
abgeschätzt
wird. Um eine Verzerrung in dem abgeschätzten log-Leistungsspektrum
zu unterdrücken,
das durch die spektrale Subtrahierung hervorgerufen wird, wird ein geglättetes log-Spektrum
abgeleitet, und eine neue Abschätzung
eines log-Leistungsspektrums
wird dann berechnet als eine gewichtete Summe von dem nicht-geglätteten und
dem geglätteten
log-Leistungsspektrum. Die
gewichteten Koeffizienten werden als eine monoton zunehmende Funktion
des abgeschätzten
SNR ausgewählt,
so dass hohe SNR-Komponenten im wesentlichen beibehalten werden,
während
niedrige SNR-Komponenten im wesentlichen durch solche des geglätteten log-Leistungsspektrums
ersetzt werden. Jedoch ist vor allem die Berechnung des geglätteten log-Leistungsspektrums
ziemlich komplex und verlangt eine große Menge an Rechenressourcen,
die das Verfahren weniger geeignet für mobile Anwendungen machen.
-
Deshalb
ist es eine Aufgabe der vorliegenden Erfindung, ein Verfahren und
eine Vorrichtung bereitzustellen, die die Probleme überwinden,
und die eine robustere Spracherkennung in einem Umfeld mit Rauschen erlauben.
-
Dies
wird durch die Lehre der Ansprüche
1, 12, 17 und 19 erreicht.
-
Gemäß der Erfindung
ist es vorteilhaft, dass ein kurzzeitiges nur Rauschen enthaltendes
Spektrum geglättet
wird und zusätzlich
im Fall von Sprachsegmenten mit Rauschen unzuverlässige spektrale
Komponenten durch sogenannte zuverlässige Komponenten interpoliert
werden, was daher in einer verbesserten Spracherkennung resultiert
oder noch deutlicher, in einer robusten Merkmalsextrahierung, die
eine verbesserte Spracherkennung unterstützt.
-
Es
ist vorteilhaft, die Interpolation basierend auf mindestens einem
spektralen Komponenten eines angrenzenden kurzzeitigen Spektrums
und/oder mindestens einem in der Zeit vorhergehenden spektralen
Komponenten auszuführen,
da es erwartet werden könnte,
dass eine sogenannte unzuverlässige
Sprachkomponente mit einer geringen Wahrscheinlichkeit Sprache zu
enthalten, geglättet
wird.
-
Weitere
bevorzugte Ausführungsformen
können
in den Ansprüchen
2–11 und
13–16
und 20 gefunden werden.
-
Nach
Anspruch 2 wird eine verbesserte Spracherkennung durch Aufnehmen
von zwei angrenzenden spektralen Komponenten erreicht, und wobei
eine in der Zeit vorangeht.
-
Ein
weiterer Vorteil nach Anspruch 3 ist die berechnete Wahrscheinlichkeit
mit einer Schwelle zu vergleichen, um eine Definition zu bekommen,
welche spektrale Komponente zu interpolieren ist.
-
Nach
Anspruch 5 ist es weiterhin vorteilhaft, die spektrale Komponente
basierend auf rauschloser Sprache zu interpolieren.
-
Nach
Anspruch 8 werden zwei Interpolationen ausgeführt, die in einer noch besseren
Spracherkennung resultieren.
-
Es
ist nach Anspruch 11 vorteilhaft, die Einteilung YYY der kurzeitigen
Spektren auf einem MEL-Frequenzbereich zu basieren, da der MEL-Frequenzbereich
auf dem menschlichen Ohr basiert.
-
Weiterhin
ist es vorteilhaft, das Verfahren für eine Spracherkennung zum
Steuern von elektronischen Geräten
anzuwenden, wie zum Beispiel für
Mobiltelefone, Telefone oder ein Sprache verwendendes Zugangssystem,
um Zugang oder Wählen
etc. zu erlauben.
-
In
dem folgenden wird die Erfindung weiterhin beschrieben und mittels
Beispiele und durch die Figuren unterstützt.
-
Die
folgenden Figuren zeigen:
-
1:
Integration einer Interpolation in eine Merkmalsextrahierung nach
Anspruch 1,
-
2:
Integration einer Interpolation in eine Merkmalsextrahierung nach
Anspruch 5,
-
3:
Integration einer Interpolation in eine Merkmalsextrahierung nach
Anspruch 8,
-
4:
Diagramm einer Wahrscheinlichkeitsfunktion für die Existenz von Sprache.
-
Um
eine Spracherkennung robuster gegenüber Rauschen zu machen, kann
ein robustes Merkmalsextrahierungsschema angewandt werden. Dieses
Schema versucht diese Merkmale aus dem Sprachsignal zu extrahieren,
die nicht für
Rauschen empfindlich sind, oder die von dem Einfluss des Rauschens
befreit sind. Zusätzlich
zu diesem sind die Mehrheit der Merkmalsextrahierungsschemata auf
einer kurzzeitigen spektralen Analyse basiert. Zusätzlich sind
die meisten der Spracherkennungssysteme auf einer kurzzeitigen Analyse
in dem MEL-Frequenzbereich basiert. Der MEL-Frequenzbereich basiert
auf dem menschlichen Ohr und ist im Stand der Technik bekannt und
wird deshalb nicht weiter in dieser Anmeldung beschrieben.
-
Der
Ausdruck "robust" sollte eine Robustheit
gegenüber
stationärem
und nicht-stationärem
Hintergrundrauschen, wie in dem Stand der Technik genannt, abdecken.
Zusätzlich
zu diesem sollte die in der Anmeldung genannte Robustheit auch eine
Robustheit gegenüber
unbekannten Frequenzeigenschaften abdecken, die von irgendeiner
Art eines elektronischen Gerätes
resultieren, zum Beispiel einem Mikrofon und/oder einem digitalen
oder analogen Filter durch Verwendung der Erfindung mit einem Mobiltelefon
oder irgendeinem anderen Telefon.
-
In
dem folgenden wird die Erfindung weiter mit der Hilfe von 1 beschrieben.
Ein Sprachsignal wird, nach einer Vorverarbeitung, zum Beispiel
einem Framing bzw. einer Rahmenbildung und einer Transformation, die
nicht auf dieser Erfindung basiert, und die im Stand der Technik
gut bekannt ist, in eine Anzahl von kurzzeitigen spektralen Komponenten
in L-Unterbänder
aufgespaltet, wobei L = 1, 2, ... L bevorzugt in dem Bereich von
10 bis 30 MEL ist. Die Einteilung in kurzeitige spektrale Komponenten
kann auf einer kurzzeitigen spektralen Analyse in dem MEL-Frequenzbereich
basieren. Die Ausgabe solch einer Filterbank in dem MEL-Frequenzbereich
ist ein kurzzeitiges Größen- oder
Leistungsspektrum in die Anzahl von L-Unterbändern mit L = 1, 2, ... .
-
In
einem nächsten
Schritt wird eine Abschätzung
eines Rauschspektrums von nur Rauschen enthaltenden Segmenten ausgeführt ES.
Dies kann durch Anwenden eines Sprachaktivitätsdetektors durchgeführt werden.
Das Durchschnittsspektrum wird aus allen Spektren berechnet, die
zu einem Segment gehören,
das als Rauschen durch einen Sprachaktivitätsdetektor markiert ist. Das
Durchschnittsspektrum wird als die Abschätzung des Rauschspektrum genommen
bzw. aufgefasst.
-
Dann
wird eine spektrale Subtrahierung ausgeführt, durch Subtrahieren des
abgeschätzten
Rauschspektrums von dem kurzzeitigen Spektrum Ssub mit Rauschen,
und was in einem Schätzergebnis
resultiert. Eine Realisierung ist die Subtrahierung der spektralen
Komponenten in dem Größenbereich,
der wie folgt berechnet wird: |Ŝl(ṫi)| =
|Xl(ti)| – |N ^l(ti)| (1)mit |Ŝl| = das Abschätzungsergebnis einer spektralen
Sprachkomponente;
mit |Xl| = die tatsächliche
Eingangskomponente mit Rauschen,
und |N ^l|
= die abgeschätzte
Rauschkomponente zur Zeit = t und für das Unterband l = 1, ...,
L.
-
Es
sollte bemerkt werden, dass in allen Gleichungen die Werte Ŝl, t etc. die gleiche Bedeutung haben sollten.
In einem weiteren Schritt wird eine Wahrscheinlichkeit, Rauschen
zu enthalten, für
jede kurzzeitige Spektralkomponente berechnet. Die Berechnung der
Wahrscheinlichkeit wird später
detaillierter beschrieben.
-
Falls
die berechnete Wahrscheinlichkeit für die kurzeitige spektrale
Komponente in einer geringen Wahrscheinlichkeit, Sprache zu enthalten,
resultiert, wird in einem nächsten
Schritt, diese spektrale Komponente interpoliert IP.
-
Die
in den meisten der heute verwendeten Spracherkennungssystemen cepstrale
Koeffizienten angewandt werden, können die wie vorher beschriebenen,
geglätteten
und interpolierten kurzzeitigen Spektren weiter wie folgt verarbeitet
werden. Ein Logarithmus von jeder kurzeitigen spektralen Komponente
wird einer log-bildung unterzogen, und letztendlich wird eine Anzahl
von cepstralen Koeffizienten aus ihr über eine diskrete Kosinustransformation
DCT transferiert.
-
In
dem folgenden wird eine Interpolation der spektralen Komponenten
jedes kurzzeitigen Spektrums detaillierter beschrieben.
-
Wie
zuvor beschrieben, wird die Wahrscheinlichkeit berechnet, dass eine
spektrale Komponente Sprache enthält. Im Fall, dass die Wahrscheinlichkeitsberechung
in einer niedrigen Wahrscheinlichkeit resultiert, Sprache zu enthalten,
wird die spektrale Komponente als unzuverlässig betrachtet. Diese unzuverlässigen Komponenten
werden dann interpoliert. Diese Interpolation basiert zum Beispiel
auf einem Betrachten der spektralen Komponenten mindestens eines
angrenzenden Unterbandes und/oder mindestens einer in der Zeit vorhergehenden
oder nachfolgenden spektralen Komponente des kurzzeitigen Spektrums.
-
Als
ein bevorzugtes Beispiel werden zwei angrenzende Unterbänder und
eine in der Zeit vorhergehende spektrale Komponente für die Interpolation
genommen.
-
Die
Interpolation wird zum Beispiel durch Berechnen einer gewichteten
Summe wie folgt durchgeführt: |S ~l(ti)| = [probl(ti) × |Ŝl(ti)| + probl-1(ti) × |Ŝl-1(ti)| + probl+1(ti) × |Ŝl+1(ti)| + probl(ti-1) |Ŝl(ti-1)|]/(Σprob) (2)wobei prob
= Wahrscheinlichkeit eines Unterbandes l.
-
Trotzdem
können
weitere spektrale Komponenten von weiteren angrenzenden Unterbändern eine
Basis für
die Interpolation darstellen, und deshalb wird die Beschreibung
nicht als den Umfang dieser einschränkend angesehen.
-
Wie
zuvor bemerkt, wird die Wahrscheinlichkeit berechnet, dass jedes
kurzzeitige Spektrum Rauschen enthält. Deshalb wird ein Verhältnis zwischen
|Ŝl(ti)|/|Xl(ti)| ausgeführt. Dies
enthält
indirekt das Signal-zu-Rauschverhältnis in einem kurzzeitigen
Spektrum zur Zeit ti. Das Verhältnis kann
Werte zwischen minus unendlich und 1 annehmen, wie in 4 gezeigt,
wo die X-Achse das Verhältnis
zeigt und die Y-Achse die Wahrscheinlichkeit prob zeigt. Negative
Werte treten in einem Fall auf, in dem die Rauschkomponente |N ^l(ti) größer ist
als die tatsächliche
spektrale Komponente Xl(ti).
Dies kennzeichnet Rauschen, und es kennzeichnet deshalb ferner eine
unzuverlässige
Komponente. Im Vergleich zu diesem wird ein Wert von 1 genommen,
falls kein Rauschen abgeschätzt
wird und wo reine Sprache existiert. 4 zeigt
ein Beispiel zum Definieren eines Maßes für die Wahrscheinlichkeit, dass
eine spektrale Komponente Sprache enthält.
-
Wie
vorher bemerkt, wird eine Interpolation in einem Fall ausgeführt, dass
die berechnete Wahrscheinlichkeit für das kurzeitige Spektrum dazu
führt,
dass das Spektrum eine geringe Wahrscheinlichkeit aufweist, Sprache
zu enthalten. Da die berechnete Wahrscheinlichkeit nicht immer entweder
0 oder 1 ist, wird bevorzugt eine Schwelle definiert, um spektrale
Komponenten mit ihrem entsprechenden Verhältnis zu definieren, das unter
dieser Schwelle liegt und deshalb angenommen wird, dass es eine
geringe Wahrscheinlichkeit aufweist, Sprache zu enthalten.
-
Bevorzugt
ist die Schwelle 0,6, aber kann irgendeinen Wert zwischen 0 und
1 annehmen. Die Schwelle kann vordefiniert sein oder kann sich abhängig von
der Umgebung ändern.
-
Im
folgenden wird ein anderes Beispiel mit der Hilfe von 2 beschrieben.
-
Es
sollte hier bemerkt werden, dass Blöcke mit dem gleichen Index
dazu gedacht sind, durchgehend für
alle Figuren die gleiche Bedeutung zu haben.
-
Zusätzlich zu
den genannten Schritten wird eine Anzahl M von spektralen Abständen für jedes
kurzzeitige Spektrum bestimmt. Die spektralen Abstände werden
zwischen dem kurzzeitigen Spektrum nach Subtrahierung und einer
Anzahl M von Spektren bestimmt, die rauschlose Sprache enthalten,
wobei M = 1, 2, ... ist. Weiterhin wird für jedes kurzzeitige Spektrum
mindestens ein Spektrum bestimmt, welches rauschlose Sprache mit
dem kleinsten spektralen Abstand zu dem kurzzeitigen Spektrum enthält MATCH.
-
Der
spektrale Abstand kann wie folgt berechnet werden:
mit V(m)
= Spektrum mit rauschloser Sprache, und
wobei m einer der Codebucheinträge ist.
-
Der
eine Wert, der berechnet wird und den kleinsten Fehler aufweist,
wird als derjenige mit dem kleinsten spektralen Abstand betrachtet.
-
Diesem
folgend wird die Interpolation durch Extrahieren von spektraler
Information von den rauschlosen Sprachspektren mit dem kleinsten
spektralen Abstand ausgeführt.
Trotzdem können
auch eine Anzahl von rauschlosen Sprachspektren genommen werden,
die alle einen kleinen spektralen Abstand aufweisen.
-
Eine
Möglichkeit
zum Ausführen
der Interpolation ist eine gewichtete Summe von der tatsächliche
abgeschätzten spektralen
Komponente |Ŝl(ti)| und der entsprechenden
Komponente des nächsten
Sektors zu berechnen. Dies könnte
wie folgt ausgeführt
werden: |S ~l(ti)| = probl(ti)|Ŝl(ti)| + (1–probl(ti)) × Vl(mclosest) (4)
-
Der
Grund für
diese Vorgehensweise basiert auf einem Wissen, dass Sprache nur
in gewissen Gebieten eines L-dimensionalen spektralen Merkmalsraum
vorliegt. Mit diesem Wissen basiert die Interpolation der spektralen
Komponenten mit einer geringen Wahrscheinlichkeit, Sprache zu enthalten,
auf der Extrahierung von spektraler Information von dem nächsten Eintrag
oder mehr als einem nahen Eintrag in dem Codebuch CB.
-
In
dem folgenden wird eine andere bevorzugte Ausführungsform der Erfindung mittels 3 beschrieben.
-
Wie
in 3 gezeigt, wird zusätzlich zu einer ersten Interpolation
IP1 eine andere Interpolation IP2 ausgeführt. In dem gezeigten Beispiel
basiert die erste Interpolation auf spektralen Komponenten mindestens eines
angrenzenden Unterbandes und/oder mindestens einer in der Zeit vorangehenden
oder nachfolgenden spektralen Komponente des kurzzeitigen Spektrums,
wie gemäß Anspruch
1 und 1 bemerkt wurde.
-
Die
zweite Interpolation IP2 basiert auf einem Extrahieren von spektraler
Information von den rauschlosen Sprachspektren mit dem kleinsten
spektralen Abstand gemäß Anspruch
6 und 2.
-
Trotzdem
wird dies nicht als die Erfindung einschränkend angesehen, da die Interpolation
nach Anspruch 6 zuerst ausgeführt
werden könnte,
und dann die Interpolation nach Anspruch 1 ausgeführt werden kann.
Trotzdem sollte wieder bemerkt werden, dass für beide Interpolationen der
wesentliche Aspekt der ist, dass unzuverlässige kurzeitige spektrale
Komponenten interpoliert werden oder besser, die kurzeitigen spektralen
Komponenten mit einer geringen Wahrscheinlichkeit, Sprache zu enthalten.
Im allgemeinen basiert die Interpolation der spektralen Komponenten
mit Rauschen auf zuverlässigen
spektralen Sprachkomponenten, die in der Nachbarschaft gefunden
werden könnten,
wie es für
beide Interpolationen angewandt werden könnte.
-
In
dem folgenden wird eine Vorrichtung für eine robuste Merkmalsextrahierung
für Spracherkennung in
einer Umgebung mit Rauschen gemäß 1 beschrieben,
wobei ein Sprachsignal segmentiert wird, und gekennzeichnet ist
durch spektrale Komponenten. Die Vorrichtung umfasst eine Filterbank
MEL zum Aufspalten des Sprachsignals in eine Anzahl von spektralen
Komponenten in L-Unterbändern,
mit L = 1, 2, ... Ferner werden Abschätzeinrichtungen ES vorgesehen
zum Abschätzen
eines Rauschspektrums aus Segmenten, die nur Rauschen enthalten.
-
Die
Vorrichtung umfasst ferner einen Subtrahierer SSub zum Ausführen einer
spektralen Subtrahierung des abgeschätzten Rauschspektrums von dem
entsprechenden Kurzzeitspektrum, und einen Rechner zum Berechnen
einer Wahrscheinlichkeit für
jedes kurzzeitige Spektrum, Rauschen zu enthalten, wird vorgesehen.
-
Es
werden in der Vorrichtung auch Interpolationseinrichtungen IP vorgesehen
zum Interpolieren der spektralen Komponente jedes kurzzeitigen Spektrums,
wenn die berechnete Wahrscheinlichkeit, Sprache zu enthalten, für die kurzzeitige
Spektrumskomponente gering ist.
-
In
einer anderen bevorzugten Ausführungsform
der Anmeldung wird ein Vergleicher zum Vergleichen der berechneten
Wahrscheinlichkeit mit einer Schwelle bereitgestellt, die die niedrige
Wahrscheinlichkeit definiert, Sprache zu enthalten.
-
Um
cepstrale Koeffizienten zu bekommen, werden letztendlich eine Einrichtung
zum Logarithmieren log jeder spektralen Komponente, und ferner eine
Einrichtung zum Ausführen
einer diskreten Kosinustransformation DCT vorgesehen, und ihre Ausgabe
ist eine Anzahl von cepstralen Koeffizienten, die für die Spracherkennung
benutzt werden.
-
In
dem folgenden wird eine andere bevorzugte Ausführungsform gemäß 2 beschrieben.
Es sollte wieder bemerkt werden, dass die gleichen Abkürzungen
für den
gleichen Block beibehalten werden sollten.
-
Zusätzlich zu
der mit Bezug auf 1 genannten Einrichtung wird
ein Codebuch CB mit rauschlosen Sprachspektren vorgesehen, und ferner
Bestimmungseinrichtungen zum Bestimmen einer Anzahl M von spektralen
Abständen
für jedes
kurzzeitige Spektrum durch Bestimmen der spektralen Abstände zwischen
dem kurzzeitigen Spektrum nach Subtrahierung, und eine Anzahl M
von Spektren, die rauschlose Sprachspektren enthalten, werden auch
bereitgestellt.
-
Weiterhin
werden zu dieser Bestimmungseinrichtung MATCH vorgesehen, um für jedes
kurzzeitige Spektrum mindestens ein rauschlose Sprache enthaltendes
Spektrum mit dem kleinsten spektralen Abstand zu dem kurzzeitigen
Spektrum zu bestimmen, und ihr Ergebnis ist eine Eingabe an die
Interpolationseinrichtung IP, um die Interpolation auszuführen.
-
Schließlich wird
ein Computerprogrammprodukt, ladbar in einen Speicher eines elektronischen
Geräts,
beschrieben werden (ohne Figur). Ein Computerprogrammprodukt, ladbar
in einen Speicher, zum Beispiel eines Mobiltelefons, sollte Software-Codeteile oder Module
zum Ausführen
der Schritte einer der Ansprüche
1 bis 11 umfassen.
-
Bevorzugt
wird dieses Computerprogramm auf einem computerlesbaren Medium gespeichert.
-
Letztendlich
können
das Verfahren und die Vorrichtung und das Computerprogrammprodukt
für eine Spracherkennung
zum Steuern elektronischer Geräte
benutzt werden. Solch ein elektronisches Gerät ist zum Beispiel ein Telefon
oder ein Mobiltelefon oder eine Zugangseinrichtung.
