ES2208210T3 - Procedimiento y disposicion para el reconocimiento de voz para un aparato pequeño. - Google Patents

Abstract

Procedimiento para el reconocimiento de voz independiente del locutor para un aparato electrónico (MS, T) pequeño, especialmente un terminal pequeño, con una instalación de entrada de voz y una instalación de transmisión de voz así como con una memoria de datos de voz (SDM1, SDM2) para la memorización interna de un conjunto de datos de voz en una red de telecomunicaciones (GSM, TN), caracterizado porque se pronuncian palabras seleccionadas de un vocabulario de reconocimiento de voz en el aparato pequeño, se transmiten los datos de voz, que corresponden a las palabras pronunciadas, a un servidor central (AS) en la red de telecomunicaciones y se procesan en una instalación de adaptación del locutor prevista en esta red utilizando un conjunto de datos de voz específicos del usuario memorizados en el servidor y se transmite una fuente de conocimientos acústica adaptada, contenida en el resultado del procesamiento, al aparato pequeño y se memoriza en su memoria de datos de voz.

Description

Procedimiento y disposición para el reconocimiento de voz para un aparato pequeño.

La invención se refiere a un procedimiento para el reconocimiento de voz independientemente del locutor para un terminal de telecomunicaciones o terminal de datos según el preámbulo de la reivindicación 1 así como a una disposición para la realización de este procedimiento.

Después de que ha dado buen resultado en PCs desde hace años la entrada de programas de texto por voz así como el control por voz de funciones de aparatos y después de que se ha alcanzado un alto grado de exactitud en el reconocimiento, se emplea desde hace poco tiempo cada vez con mayor intensidad también en terminales más sencillos de redes de telecomunicaciones o bien de redes de datos, especialmente de teléfonos móviles y de PCs portátiles y de PDAs (Personal Digital Assistants). Ya se pueden adquirir en el mercado aparatos correspondientes. El control por voz ofrece aquí una comodidad de manejo elevada durante la activación de funciones que se requieren con frecuencia o bien en el caso de selección de números de llamada utilizados con frecuencia.

El reconocimiento de voz en tales terminales se basa, en general, en algoritmos de la identificación de voz en función del locutor. En estos procedimientos, el vocabulario debe ser entrenado a través de la pronunciación de todas las palabras por parte del usuario.

En oposición a ello, los procedimientos de conocimiento de voz independientes del locutor permiten el empleo inmediato sin inicialización, el llamado proceso de inscripción. Los terminales más sencillos, relativamente económicos (aparatos de bajo coste) disponen ya de microcontroladores o microprocesadores relativamente potentes con alta capacidad de cálculo, de manera que durante los próximos años es previsible una resolución del reconocimiento de voz más incómoda dependiente del locutor en tales aparatos a través del reconocimiento de voz independiente del locutor más costoso con respecto a la capacidad de procesamiento necesaria.

En los procedimientos de reconocimiento de voz independientes del locutor se lleva a cabo una ampliación del vocabulario a través de la generación de una transcripción fonética desde una representación ortográfica de cada palabra nueva. Por lo tanto, las palabras nuevas son introducidas como texto a través del usuario (por ejemplo por medio de un teclado alfanumérico o de una pantalla de contacto), y el texto es reproducido a continuación en una transcripción fonética normalizada de los fenómenos en cada idioma respectivo. Esta representación forma entonces la base de otras etapas del procesamiento, en las que los fenómenos se dividen en segmentos más pequeños y se procesan posteriormente según algoritmos establecidos del reconocimiento de voz, por ejemplo son inscritos como estados de Hidden-Markov en un espacio de búsqueda de un modelo de Hidden-Markov.

De acuerdo con las presentes experiencias, en los procedimientos de reconocimiento de voz independiente del locutor se producen en gran medida reconocimientos falsos en determinados usuarios -ya sea porque el locutor tiene un dialecto especialmente fuerte o pronuncia de una manera especialmente característica determinados fenómenos o tiene un defecto de pronunciación. En este sentido como también con relación al aspecto mencionado anteriormente de la elevación del peligro de confusión con la ampliación del vocabulario parece deseable prever posibilidades de adaptación en un procedimiento para el reconocimiento de voz independiente del locutor. También esto se conoce en sí por los sistemas de dictado para PCs y se designa como adaptación supervisada del locutor o bien del vocabulario. El documento DE-A1-19813834 publica la memorización de datos específicos del usuario en un medio de memoria, donde estos datos son transmitidos en el caso de reconocimiento hacia el servidor y son utilizados en el servidor como información comparativa. Pero tales procedimientos no se pueden aplicar normalmente en aparatos electrónicos pequeños con su capacidad de cálculo y su capacidad de memoria limitadas.

Por lo tanto, el cometido de la invención es indicar un procedimiento mejorado del tipo indicado al principio, que facilita el empleo del reconocimiento de voz independiente del locutor en aparatos electrónicos pequeños. Además, debe indicarse una disposición adecuada para la realización de este procedimiento.

Este cometido se soluciona con relación a su aspecto del procedimiento a través de un procedimiento con las características de la reivindicación 1 y con relación a su aspecto del dispositivo a través de una disposición con las características de la reivindicación 7.

La invención comprende la idea esencial de desplazar las adaptaciones del locutor o bien del vocabulario para un aparato pequeño conectado en una red de telecomunicaciones, especialmente un terminal sencillo, al menos en sus partes esenciales, a un servidor en la red. Incluye, además, la idea de realizar el procesamiento en el servidor central (servidor de adaptación) utilizando un conjunto de datos de voz específicos del usuario, memorizados allí -o dado el caso también transmitidos actualmente allí-. Finalmente, las fuentes de conocimiento acústicas mejoradas como resultado de la adaptación del locutor o bien del vocabulario son retransmitidas como conjunto de datos de una manera más conveniente de nuevo al aparato pequeño, de manera que se disponen allí de forma inmediata para la aplicación posterior del control o bien de la entrada de voz.

De una manera similar a un procedimiento de entrenamiento convencional ("Enrollment"), los sistemas de reconocimiento de voz dependientes del locutor son presentados al usuario en un diálogo de adaptación de palabras o secuencias de palabras (frases) predeterminadas, que pronuncia en su aparato pequeño. En lugar de una memorización local de los datos de voz, se lleva a cabo, sin embargo, una transmisión hacia el servidor central, donde se lleva a cabo el cálculo de adaptación propiamente dicho al término de la entrada de los datos de voz. Un servidor potente podrá realizar estos cálculos casi en tiempo real, de manera que el usuario puede esperar el resultado del cálculo y al término del proceso de adaptación recibe transmitidas inmediatamente las fuentes de conocimiento acústicas mejoradas o bien el nuevo conjunto de datos de voz en su terminal. (No obstante, especialmente a través de servicios de datos que se conmutan por paquetes, como se aplican con la Norma GPRS también en redes de radio móvil, también es posible una descarga desplazada en el tiempo de las fuentes de conocimiento acústicas en el aparato pequeño del usuario en un instante posterior).

Esto posibilita de una manera ventajosa una descarga del terminal del gasto de procesamiento y del mantenimiento de medios de procesamiento de alta calidad, costosos en cuanto al espacio de memoria -por ejemplo, léxicos de referencia grandes, de una red neuronal altamente desarrollada, etc.- independientemente de la dotación de memoria del terminal. También se pueden utilizar léxicos de referencia muy grandes y se pueden cuidar y ampliar también de una manera centralizada, en los que se pueden anotar una pluralidad de variantes de pronunciación. Para las palabras que no están depositadas en un léxico de referencia, se pueden aplicar para la reproducción en un servidor de capacidad correspondientes mecanismos de regulación complejos y, por lo tanto, costosos en el procesamiento, o bien redes neuronales. También con respecto a procedimientos de este tipo, la ejecución en un servidor central posibilita una ampliación y actualización sencilla y de una manera ventajosa de acceso inmediato para todos los usuarios en la red. La disponibilidad constante de los mejores recursos de reproducción posibles en el servidor proporciona siempre para el usuario los mejores resultados de adaptación posibles en el estado de la técnica respectivo.

En una forma de realización preferida, la adaptación de fuentes de conocimiento acústicas se realiza utilizando un mecanismo de regulación del procesamiento complejo, ejecutado en el servidor, por ejemplo de un modelo de Hidden-Markov.

En otra forma de realización ventajosa, el procesamiento de los datos de voz se realiza en función de una identificación del terminal o de una identificación del usuario transmitida a través del terminal (que contiene, por ejemplo, una información sobre edad y sexo) de una manera específica, por ejemplo típica del dialecto o de la pronunciación. A este respecto, se accede especialmente a variantes de pronunciación depositadas en un léxico de pronunciación grande y/o a uno de una pluralidad de diferentes léxicos de pronunciación o bien se utilizan una pluralidad de redes neuronales o de espacios de búsqueda de modelos de Hidden-Markov, formados para dialectos o para variantes sistemáticas de la pronunciación.

La adaptación del locutor o bien del vocabulario de las fuentes acústicas puede utilizar o bien un modelo de Hidden-Markov muy general (por ejemplo para toda Alemania) como punto de partida, o una adaptación de este tipo puede selección también modelos de partida, que corresponden al locutor o bien a la zona del dialecto (por ejemplo, un modelo de todos los varones de Baviera). Sobre la base de las manifestaciones del usuario, el procedimiento de entrenamiento adapta entonces un HMM, en el que se desplazan los "vectores / prototipos del modelo de partida en la dirección del locutor". Cuanto mejor modela el modelo de partida ya al locutor, tanto más rápidamente corrige también el procedimiento de adaptación y tanto mejores son también los resultados. Los procesos de adaptación descritos aquí son en este caso todavía totalmente independientes de los léxicos de pronunciación. Éstos pueden tener adicionalmente efectos positivos sobre la adaptación a través de la entrada de variantes de pronunciación. Pero es más importante el aspecto mencionado anteriormente del "punto de partida" de una adaptación de un HMM.

En una variante especialmente interesante desde el punto de vista económico, el procedimiento propuesto se realiza como servicio de una sociedad de telecomunicaciones o bien de un proveedor de servicios y se ofrece como tal a los usuarios, especialmente contra pago, pero en determinados casos también como servicio gratuito.

Las ventajas y las conveniencias de la invención se deduce, además, a partir de las reivindicaciones dependientes así como de la descripción siguiente de un ejemplo de realización preferido con la ayuda de la figura.

Ésta muestra -en una representación sinóptica, pero que se puede realizar técnicamente también cuando existen los supuestos económicos- formas de realización preferidas de la invención en un teléfono de red fija T y en un teléfono móvil GSM MS, que están conectados en una red telefónica por cable TN o bien en una red de radio móvil GSM, en colaboración con un servidor de adaptación AS, que está asociado en común a las dos redes de comunicación TN y GSM. El teléfono de red fija T y el teléfono móvil MS comprenden, respectivamente, una memoria interna de datos de voz SDM1 y SDM2, respectivamente. Están en comunicación a través de una línea telefónica-ISDN ISDN o bien de un interfaz de aire (no designado especialmente) así como de una estación de base BTS/BSC, respectivamente, con un centro de conmutación SC o bien MSC de su red. A través de éste se establece directamente (en la red fija) o bien indirectamente a través de un servidor adicional de tránsito GS una comunicación con un centro común de administración y de servicio PRO de un proveedor de servicios, que ofrece tanto en la red fija TN como también en la red de radio móvil GSM un servicio de adaptación como servicio sujeto a tarifas.

En el teléfono de radio fija T está montada una instalación de interfaz ISDN IF, que solamente se muestra de forma simbólica en la figura como bloque especial. La línea ISDN entre el teléfono de red fija T y el puesto de conmutación SC correspondiente tiene de manera conocida un canal de voz A y un canal de datos B independiente.

Al servidor de adaptación AS están asociadas varias bases de datos de léxicos de pronunciación PDB1 a PDB3 así como varios modelos de Hidden-Markov previamente entrenados HMM1 a HMM3 (por ejemplo, específicos del sexo o de región(es) específica(s) en la manera de hablar, etc.) como "bases de partida" de la adaptación. Además, con el servidor de adaptación AS está asociada una instalación de facturación BM para la facturación de una utilización del servicio de transcripción.

Las bases de datos de los léxicos de pronunciación PDB1 a PDB3 contienen léxicos de referencia relacionados con la lengua del país o bien con el dialecto, que están adaptados a determinados países o regiones de origen de los usuarios de la red fija TN o bien de la red de radio móvil GSM. Los lugares de origen respectivos son identificados en la red fija con la ayuda de un número de identificación del lugar del teléfono conectado 1 y en la red de radio móvil con la ayuda de las inscripciones den una tarjeta-SIM SIM (en colaboración con un Registro de Lugares Nacionales -no mostrado aquí-). La tarjeta SIM contiene, además, datos de usuario personales, como por ejemplo edad y sexo del usuario, que se pueden utilizar para un desarrollo eficiente de la adaptación del vocabulario.

Para la explicación del modo de funcionamiento de esta disposición se supone que el teléfono móvil está equipado con un software de base para la identificación de voz independiente del locutor, pero contiene como vocabulario correspondiente en el suministro en primer lugar sólo las cifras para la selección, las instrucciones de control habituales y una selección predeterminada de nombres de personas en su idioma nativo. En el caso de un usuario con un círculo muy grande de interlocutores potenciales y/o con dialecto fuerte o con errores ligeros de pronunciación se pueden acumular reconocimientos falsos de nombres pronunciados y, por lo tanto, se puede producir una selección de abonados
falsos.

Si el usuario establece tales reconocimientos falsos, entonces puede seleccionar un servicio de adaptación del vocabulario de su proveedor y se puede decidir por un modelo más específico en la adaptación del vocabulario. En el marco de una guía especial de usuario se le ofrece entonces a través de una representación en la pantalla de su teléfono móvil (o también por síntesis de voz a través de los auriculares) una cantidad de prueba de palabras o giros a pronunciar. Entre ellos pueden estar especialmente las entradas en registros de nombres del teléfono móvil. Después de que el usuario ha pronunciado todas las manifestaciones de voz, se inicia inmediatamente el cálculo de la adaptación para la adaptación de las fuentes de conocimiento acústicas en el servidor AS. Después de algunos segundos, el servicio proporciona a través de un canal de datos basado en GPRS las fuentes de conocimientos adaptadas al teléfono móvil MS del usuario.

Éste reconoce y señaliza la adaptación con éxito y abandona el servicio de adaptación.

La instalación de facturación BM factura una cuota por la utilización del servicio, que está orientada o bien a la extensión de las fuentes de conocimientos adaptadas (conjunto de datos de voz) o a la duración de tiempo del proceso de adaptación, y las carga normalmente en la factura del teléfono del usuario. No obstante, en el marco de configuraciones especiales de tarifas se puede ofrecer un servicio de este tipo naturalmente también de forma gratuita.

La realización de la invención no está limitada a este ejemplo, sino que es posible también en el alcance de las reivindicaciones una pluralidad de variaciones, que están en el marco del comercio técnico.

Claims (9)

1. Procedimiento para el reconocimiento de voz independiente del locutor para un aparato electrónico (MS, T) pequeño, especialmente un terminal pequeño, con una instalación de entrada de voz y una instalación de transmisión de voz así como con una memoria de datos de voz (SDM1, SDM2) para la memorización interna de un conjunto de datos de voz en una red de telecomunicaciones (GSM, TN), caracterizado porque se pronuncian palabras seleccionadas de un vocabulario de reconocimiento de voz en el aparato pequeño, se transmiten los datos de voz, que corresponden a las palabras pronunciadas, a un servidor central (AS) en la red de telecomunicaciones y se procesan en una instalación de adaptación del locutor prevista en esta red utilizando un conjunto de datos de voz específicos del usuario memorizados en el servidor y se transmite una fuente de conocimientos acústica adaptada, contenida en el resultado del procesamiento, al aparato pequeño y se memoriza en su memoria de datos de voz.

2. Procedimiento según la reivindicación 1, caracterizado porque las palabras seleccionadas son representadas ópticamente en el aparato pequeño en el marco de una guía del usuario, especialmente en una pantalla del aparato pequeño.

3. Procedimiento según la reivindicación 1 ó 2, caracterizado porque el procesamiento de datos de voz es realizado accediendo a una base de datos de léxicos de pronunciación (PDB1 a PDB3).

4. Procedimiento según una de las reivindicaciones anteriores, caracterizado porque el procesamiento de los datos de voz se realiza utilizando al menos una modelo de Hidden-Markov (HMM) previamente entrenado, realizado en el servidor, con preferencia de varios modelos de Hidden-Markov (HMM1 a HMM3) que se pueden utilizar de forma opcional.

5. Procedimiento según la reivindicación 3 ó 4, caracterizado porque el procesamiento de datos de voz se realiza en función de una identificación del terminal y/o de datos personales del usuario bajo acceso a uno de una pluralidad de léxicos de pronunciación o bien utilizando uno de una pluralidad de modelos de Hidden-Markov (HMM1 a HMM3).

6. Procedimiento según una de las reivindicaciones anteriores, caracterizado porque el procesamiento de datos de voz está organizado como servicio autónomo en la red de telecomunicaciones o bien de datos (GSM, TN).

7. Disposición, adaptada para la realización de todas las etapas de un procedimiento según una de las reivindicaciones anteriores, caracterizada por una pluralidad de terminales (MS, T) conectados en la red de telecomunicaciones y por un servidor (AS) conectado en una central de servicios (PRO) de la red de telecomunicaciones, que presenta medios para el procesamiento de datos de voz de las palabras pronunciadas nuevas en uno de los terminales.

8. Disposición según la reivindicación 7, caracterizada porque los medios para el procesamiento de datos de voz comprenden una base de datos de léxicos de pronunciación (PDB1 a PDB3) y/o al menos un modelo de Hidden-Markov (HMM1 a HMM2) previamente entrenado.

9. Disposición según la reivindicación 7 u 8, caracterizado por una instalación de facturación (BM) asociada al servidor (AP) para la facturación del procesamiento de los datos de voz como servicio.