WO2000005709A1 - Verfahren und vorrichtung zur erkennung vorgegebener schlüsselwörter in gesprochener sprache - Google Patents

Verfahren und vorrichtung zur erkennung vorgegebener schlüsselwörter in gesprochener sprache Download PDF

Info

Publication number
WO2000005709A1
WO2000005709A1 PCT/DE1999/001971 DE9901971W WO0005709A1 WO 2000005709 A1 WO2000005709 A1 WO 2000005709A1 DE 9901971 W DE9901971 W DE 9901971W WO 0005709 A1 WO0005709 A1 WO 0005709A1
Authority
WO
WIPO (PCT)
Prior art keywords
words
filler
keywords
keyword
spoken language
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/DE1999/001971
Other languages
English (en)
French (fr)
Inventor
Alfred Hauenstein
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Siemens AG
Siemens Corp
Original Assignee
Siemens AG
Siemens Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Siemens AG, Siemens Corp filed Critical Siemens AG
Priority to EP99945842A priority Critical patent/EP1097447A1/de
Publication of WO2000005709A1 publication Critical patent/WO2000005709A1/de
Priority to US09/767,389 priority patent/US20010016814A1/en
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

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
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • 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
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G10L2015/088—Word spotting

Definitions

  • the invention relates to a method and a device for recognizing predetermined keywords in spoken language by a computer.
  • Modeling is understood below to mean the mapping of words into a vocabulary accessible to the system for speech recognition.
  • a vocabulary includes keywords and filler words.
  • a key word is at least one sound that is to be recognized by the system for recognizing spoken language and that is linked in particular to a predetermined action. In particular, a sound contains at least one phoneme.
  • a keyword can also include several words, at least one pause or at least one sound.
  • a noise word denotes an acoustic unit that does not correspond to a keyword, e.g. a word, a sound or a pause.
  • the object of the invention is to provide a method and a device for recognizing keywords in spoken language, in which or in which the disadvantages described above are avoided.
  • Spoken language keywords specified where the keywords are modeled for recognition. Furthermore, a predefined set of filler words is modeled. If a key word occurs in the spoken language, this key word is recognized, otherwise no key word is recognized if a match with a filler word is determined in the spoken language.
  • a further development consists in the fact that the predetermined amount of filler words is small. This is a decisive advantage since the size of the amount of filler words directly influences the computing power of the speech recognition system. A small amount of filler words can also be handled by a computer with relatively low computing power, which is advantageous in terms of the cost of the system for speech recognition. Furthermore, the predetermined amount of filler words is determined from a predetermined number of the most common words in a language.
  • the set of filler words can be the same for all possible combinations of keywords, so that when the keywords are changed, there is no need to change the set of filler words.
  • the filler words are preferably short, monosyllabic words, the acoustic ones
  • Representations match the words of the spoken language that are not keywords, or at least parts of those words.
  • the set of filler words can be obtained from the analysis of spoken dialogues. For this, a list of frequencies in these
  • Words occurring in dialogues are determined and the approx. 15 to 50 most common words selected as filler words.
  • the filler words are preferably provided with a marking. If a keyword matches a filler word from the set of filler words, this filler word is removed from the set of filler words.
  • the keywords and the filler words are then preferably modeled using a system for recognizing spoken language (see [1], [5]). All marked filler words are filtered out of the spoken language and thus only the keywords are displayed to a user or a target application.
  • the determination of the filler words can be based on a statistical analysis of natural spontaneous language. This actually models words spoken by a human and, with the filler words, excellent hit rates for non- Keywords achieved. It is also a particular advantage that the small amount of filler words places little demands on the computing power of the computer to be used.
  • a combination of the invention with known methods for recognizing keywords is also advantageous. This applies in particular to the modeling of noises and pauses (see [2]).
  • Noise word is deleted from the set of noise words if this noise word matches part of a keyword.
  • Another development is that the keywords recognized in the spoken language are displayed and the recognized noise words are not displayed.
  • At least one noise or at least one pause is modeled and added to the set of noise words.
  • One possible use of the method according to the invention is to control a medical device using the key words.
  • Another use of the invention is to answer a customer request, in particular in a communication network, for example the telephone network, the customer request being triggered by a keyword.
  • the system answers a call from a customer who specifies a specific keyword.
  • This enables an automated and efficient interaction of the customer with a computer, whereby a human customer advisor can also be addressed using a keyword.
  • Another development of the invention consists in determining a code word which indicates that a keyword preferably follows immediately. An example is the control of medical devices during the operation with the code word "computer":
  • the code word "computer” signals the system for recognizing key words that a key word "operating table higher” may then be spoken.
  • the code word "computer” can be modeled as a filler word in order not to detect a keyword when the code word is said accidentally without a subsequent keyword.
  • a device for recognizing predetermined keywords in spoken language which has a processor unit which is set up in such a way that the predetermined keywords are modeled for recognition. Furthermore, a predetermined set of filler words is modeled. If a key word occurs in the spoken language, then this key word is recognized, or if a key word is found in the spoken language
  • a further development of the device according to the invention consists in determining the predetermined amount of filler words small or in determining the predetermined amount of filler words from a predetermined number of the most frequent words in a language.
  • This device is particularly suitable for carrying out the method according to the invention or one of its developments explained above. Further developments of the invention also result from the dependent claims.
  • Fig.l a device for recognizing predetermined keywords in spoken language
  • FIG. 2 is a block diagram illustrating a method for recognizing predetermined keywords in spoken language
  • FIG. 3 shows a block diagram which represents a possibility for determining the filler words
  • 5 shows a processor unit
  • speech recognition system generally shows a system architecture for speech recognition (speech recognition system).
  • Speech recognition system comprises several levels of processing.
  • the natural speech signal 101 enters the speech recognition system.
  • a feature extraction is carried out there in a component 102.
  • an acoustic 104 is used to classify 104 (also:
  • the classification 104 is followed by a search 105 for predefined filler words 106, application-specific keywords 107 or predefined noise models 108 (optionally, it is also possible to model pauses).
  • the assignments 106, 107 and / or 108 made on the basis of the search 105 are filtered in a logical block 109 and the sequence of found keywords 110 is output.
  • FIG. 2 shows a block diagram illustrating a method for recognizing predetermined keywords in spoken language.
  • the keywords are modeled in a step 201.
  • the filler words are modeled.
  • the components of the spoken language sounds
  • the keywords found are displayed in a step 204.
  • the spoken language 301 is broken down into sounds (components) and these sounds are sorted according to their frequency (see step 302).
  • a sound 304 is particularly a word 305, a syllable 306, multiple words 307, a sound 308 or a pause 309.
  • Fig. 4 shows a list of possible filler words.
  • the filler words are common in natural language dialogues in the modeled language (e.g. German) and are ideal for modeling non-key words.
  • Fig. 4 shows an example of a list with 1! Fillers:
  • a computing unit 501 is shown in FIG.
  • the computing unit 501 comprises a processor CPU 502, one
  • the computing unit 501 also has a bus 506, which ensures the connection of memory 503, processor 502 and input / output interface 504. It is also possible to connect additional components to bus 506: additional memory, hard disk, etc. Via interface 505 or bus 506, it is possible to control external devices or another program running on another computer.
  • the following publications have been cited in this document:

Landscapes

  • Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Machine Translation (AREA)

Abstract

Es werden ein Verfahren und eine Vorrichtung zur Erkennung vorgegebener Schlüsselwörter in gesprochener Sprache angegeben, wobei die Schlüsselwörter für die Erkennung modelliert werden. Weiterhin wird eine vorgegebene Menge von Füllwörtern modelliert. Wenn in der gesprochenen Sprache ein Schlüsselwort vorkommt, wird dieses Schlüsselwort erkannt, ansonsten wird kein Schlüsselwort erkannt, wenn in der gesprochenen Sprache ein Übereinstimmung mit einem Füllwort bestimmt wird.

Description

Beschreibung
Verfahren und Vorrichtung zur Erkennung vorgegebener Schlüsselwörter in gesprochener Sprache
Die Erfindung betrifft ein Verfahren und eine Vorrichtung zur Erkennung vorgegebener Schlüsselwörter in gesprochener Sprache durch einen Rechner.
Ein Verfahren und eine Vorrichtung zur Spracherkennung sind aus [1] bekannt. Dort finden sich auch eine grundlegende Einführung der an dem Spracherkennungssystem beteiligten Komponenten sowie wichtiger, bei der Spracherkennung üblicher Techniken.
Unter Modellierung wird nachfolgend die Abbildung von Wörtern in einen dem System zur Spracherkennung zugänglichen Wortschatz verstanden. Ein Wortschatz umfaßt Schlüsselwörter und Füllwörter. Ein Schlüsselwort ist mindestens ein Laut, der von dem System zur Erkennung gesprochener Sprache erkannt werden soll und insbesondere mit einer vorgegebenen Aktion verknüpft ist. Insbesondere enthält ein Laut mindestens ein Phonem. Dabei kann ein Schlüsselwort auch mehrere Wörter, mindestens eine Pause oder mindestens ein Geräusch umfassen. Ein Füllwort bezeichnet eine akustische Einheit, die keinem Schlüsselwort entspricht, z.B. ein Wort, ein Geräusch oder eine Pause.
Es sind Systeme für die Erkennung von Schlüsselwörtern bekannt geworden (siehe [2] oder [3] ) , die lediglich die Schlüsselwörter und/oder Phrasen aus Schlüsselwörtern modellieren. Für die Zurückweisung von Wörtern, die keine Schlüsselwörter sind, werden Algorithmen eingesetzt die Schlüsselwörter von den übrigen Wörtern unterscheiden. Ein Nachteil dieser Systeme besteht darin, daß für einen neuen Wortschatz jeweils eine neue Konfiguration des Systems zur Spracherkennung durchgeführt werden muß. Ein anderer Ansatz zur Erkennung von Schlüsselwörtern ist ein System zur Spracherkennung mit großem Wortschatz. Erkennt solch ein System alle Wörter und Geräusche, so können auch vorgegebene Schlüsselwörter erkannt werden (vergleiche [4] ) . Solch ein System stellt extrem hohe Anforderungen an die Rechenleistung und steht in der Regel auf den für die Spracherkennung vorgesehenen Rechnern nicht zur Verfügung. Ferner ist es praktisch nicht möglich, alle akustischen Ereignisse zu modellieren.
Die Aufgabe der Erfindung besteht darin, ein Verfahren und eine Vorrichtung zur Erkennung von Schlüsselwörtern in gesprochener Sprache anzugeben, bei dem bzw. bei der die oben beschriebenen Nachteile vermieden werden.
Die Aufgabe wird gemäß den Merkmalen der unabhängigen Patentansprüche gelöst.
Zunächst wird ein Verfahren zur Erkennung vorgegebener
Schlüsselwörter in gesprochener Sprache angegeben, bei dem die Schlüsselwörter für die Erkennung modelliert werden. Weiterhin wird eine vorgegebene Menge von Füllwörtern modelliert. Wenn in der gesprochenen Sprache ein Schlüsselwort vorkommt, wird dieses Schlüsselwort erkannt, ansonsten wird kein Schlüsselwort erkannt, wenn in der gesprochenen Sprache eine Übereinstimmung mit einem Füllwort bestimmt wird.
Eine Weiterbildung besteht darin, daß die vorgegebene Menge der Füllwörter klein ist. Dies ist ein entscheidender Vorteil, da die Größe der Menge an Füllwörtern die Rechenleistung des Systems zur Spracherkennung direkt beeinflußt. So kann eine kleine Menge Füllwörter auch von einem Rechner mit verhältnismäßig geringer Rechenleistung bewältigt werden, was sich vorteilhaft in den Kosten für das System zur Spracherkennung niederschlägt. Weiterhin wird die vorgegebene Menge der Füllwörter aus einer vorgegebenen Anzahl häufigster Wörter einer Sprache ermittelt.
Es ist ein Vorteil der Erfindung, daß insbesondere die Menge der Füllwörter für alle möglichen Kombinationen von Schlüsselwörtern gleich sein kann, demnach also bei Veränderung der Schlüsselwörter keine Änderung in der Menge der Füllwörter vorgenommen werden muß. Anhand der Menge dieser Füllwörter gelingt es, alle Wörter der gesprochenen Sprache, die keine Schlüsselwörter sind, zu absorbieren, also zu verhindern, daß diese 'Nicht-Schlüsselwörter' als Schlüsselwörter erkannt werden. Dazu sind vorzugsweise die Füllwörter kurze, einsilbige Wörter, deren akustische
Repräsentationen mit den Wörtern der gesprochenen Sprache, die keine Schlüsselwörter sind, oder zumindest mit Teilen dieser Wörter, übereinstimmen. Insbesondere kann die Menge der Füllwörter aus der Analyse gesprochener Dialoge gewonnen werden. Hierzu wird eine Häufigkeitsliste der in diesen
Dialogen auftretenden Wörter bestimmt und die ca. 15 bis 50 häufigsten Wörter als Füllwörter ausgesucht. Vorzugsweise werden die Füllwörter mit einer Markierung versehen. Sollte ein Schlüsselwort mit einem Füllwort aus der Menge der Füllwörter übereinstimmen, so wird dieses Füllwort aus der Menge der Füllwörter entfernt. Vorzugsweise werden daraufhin anhand eines Systems zur Erkennung gesprochener Sprache die Schlüsselwörter und die Füllwörter modelliert (siehe hierzu [1], [5]) . Aus der gesprochenen Sprache werden alle markierten Füllwörter herausgefiltert und somit einem Benutzer bzw. einer Zielapplikation nur die Schlüsselwörter angezeigt.
Es ist ein besonderer Vorteil, daß die Ermittlung der Füllwörter auf einer statistischen Analyse natürlicher spontaner Sprache begründet sein kann. Dadurch werden tatsächlich von einem Menschen gesprochene Wörter modelliert und mit den Füllwörtern hervorragende Trefferraten für Nicht- Schlüsselwörter erzielt. Auch ist es ein besonderer Vorteil, daß die kleine Menge der Füllwörter nur geringe Anforderungen an die Rechenleistung des zu benutzenden Rechners stellt.
Ferner ist eine Kombination der Erfindung mit bekannten Verfahren zur Erkennung von Schlüsselwörtern vorteilhaft. Dies trifft insbesondere für die Modellierung von Geräuschen und Pausen zu (siehe [2]).
Auch ist es eine Weiterbildung der Erfindung, daß ein
Füllwort aus der Menge der Füllwörter gestrichen wird, wenn dieses Füllwort mit einem Teil eines Schlüsselwortes übereinstimmt .
Eine andere Weiterbildung besteht darin, daß die in der gesprochenen Sprache erkannten Schlüsselwörter angezeigt und die erkannten Füllwörter nicht angezeigt werden.
Im Rahmen einer zusätzlichen Weiterbildung wird mindestens ein Geräusch oder mindestens eine Pause modelliert und zu der Menge der Füllwörter hinzugefügt.
Eine mögliche Verwendung des erfindungsgemäßen Verfahrens besteht in der Ansteuerung eines medizinischen Geräts mittels der Schlüsselwörter.
Eine andere Verwendung der Erfindung ist die Beantwortung einer Kundenanfrage, insbesondere in einem Kommunikationsnetz, bspw. dem Telefonnetz, wobei die Kundenanfrage durch ein Schlüsselwort ausgelöst wird. So erfolgt beispielsweise auf einen Anruf eines Kunden, der ein bestimmtes Schlüsselwort angibt, eine Rückantwort des Systems. Dies ermöglicht eine automatisierte und effiziente Interaktion des Kunden mit einem Rechner, wobei zusätzlich ein menschlicher Kundenberater - via Schlüsselwort - adressiert werden kann. Eine andere Weiterbildung der Erfindung besteht darin, ein Codewort zu bestimmen, das anzeigt, daß vorzugsweise unmittelbar ein Schlüsselwort folgt. Ein Beispiel ist die Steuerung medizinischer Geräte während der Operation mit dem Codewort "Computer":
"Computer OP-Tisch höher" anstatt "OP-Tisch höher".
Das Codewort "Computer" signalisiert dem System zur Erkennung von Schlüsselwörtern, daß möglicherweise anschließend ein Schlüsselwort "OP-Tisch höher" gesprochen wird. Zusätzlich kann als Weiterbildung das Codewort "Computer" als Füllwort modelliert werden, um bei zufälligem Sprechen des Codewortes ohne nachfolgendes Schlüsselwort kein Schlüsselwort zu detektieren.
Auch wird eine Vorrichtung zur Erkennung vorgegebener Schlüsselwörter in gesprochener Sprache angegeben, die eine Prozessoreinheit aufweist, die derart eingerichtet ist, daß die vorgegebenen Schlüsselwörter für die Erkennung modelliert werden. Ferner wird eine vorgegebene Menge von Füllwörtern modelliert. Wenn in der gesprochenen Sprache ein Schlüsselwort vorkommt, so wird dieses Schlüsselwort erkannt, bzw. wird, wenn in der gesprochenen Sprache eine
Übereinstimmung mit einem Füllwort ermittelt wird, kein Schlüsselwort erkannt.
Eine Weiterbildung der erfindungsgemäßen Vorrichtung besteht darin, die vorgegebene Menge der Füllwörter klein zu bestimmen bzw. die vorgegebene Menge der Füllwörter aus einer vorgegebenen Anzahl der häufigsten Wörter einer Sprache zu bestimmen.
Diese Vorrichtung ist insbesondere geeignet zur Durchführung des erfindungsgemäßen Verfahrens oder einer seiner vorstehend erläuterten Weiterbildungen. Weiterbildungen der Erfindung ergeben sich auch aus den abhängigen Ansprüchen.
Anhand der folgenden Figuren werden Ausführungsbeispiele der Erfindung näher dargestellt.
Es zeigen
Fig.l eine Vorrichtung zur Erkennung vorgegebener Schlüsselwörter in gesprochener Sprache;
Fig.2 ein Blockdiagramm, das ein Verfahren zur Erkennung vorgegebener Schlüsselwörter in gesprochener Sprache darstellt;
Fig.3 ein Blockdiagramm, das eine Möglichkeit zur Ermittlung der Füllwörter darstellt;
Fig.4 eine Liste mit möglichen Füllwörtern und
Fig.5 eine Prozessoreinheit.
In Fig.1 ist allgemein eine Systemarchitektur für eine Spracherkennung (Spracherkennungssystem) dargestellt.
Voraussetzung für die Erkennung natürlich gesprochener
Sprache ist ein geeigneter Formalismus zur Wissensrepräsentation. Ein vollständiges
Spracherkennungssystem umfaßt mehrere Verarbeitungsebenen.
Dies sind insbesondere Akustik-Phonetik, Intonation, Syntax,
Semantik und Pragmatik. In Fig.l werden die
Verarbeitungsebenen bei der Erkennung von Schlüsselwörtern aufgezeigt. Das natürliche Sprachsignal 101 gelangt in das Spracherkennungssystem. Dort wird in einer Komponente 102 eine Merkmalsextraktion durchgeführt. Nach der Merkmalsextraktion erfolgt anhand einer akustischen Modellierung 103 eine Klassifikation 104 (auch:
Distanzberechnung) der in der Vorverarbeitung 102 gewonnenen Merkmale des Sprachsignals 101. Auf die Klassifikation 104 folgt eine Suche 105 nach vorgegebenen Füllwörtern 106, anwendungsspezifischen Schlüsselwörtern 107 oder vorgegebenen Geräuschmodellen 108 (optional auch Modellierung von Pausen möglich) . Die anhand der Suche 105 getroffenen Zuordnungen 106, 107 und/oder 108 werden gefiltert in einem logischen Block 109 und die Folge gefundener Schlüsselwörter 110 wird ausgegeben.
Es sei darauf hingewiesen, daß die Blockstruktur in Fig.l lediglich eine logische Aufteilung darstellt. Eine Realisierung in Hardware- oder Software-Komponenten ist nicht an die durch Fig.l dargestellte Aufteilung gebunden.
Fig.2 zeigt ein Blockdiagramm, das ein Verfahren zur Erkennung vorgegebener Schlüsselwörter in gesprochener Sprache darstellt. Dazu werden in einem Schritt 201 die Schlüsselwörter modelliert. In einem Schritt 202 werden die Füllwörter modelliert. Daraufhin werden in einem Schritt 203 die Bestandteile der gesprochenen Sprache (Laute) nach Schlüsselwörtern und Füllwörtern getrennt. Die gefundenen Schlüsselwörter werden in einem Schritt 204 angezeigt.
Fig.3 zeigt ein Blockdiagramm, das eine Möglichkeit zur Ermittlung der Füllwörter darstellt. Dazu wird die gesprochene Sprache 301 in Laute (Bestandteile) zerlegt und diese Laute werden der Häufigkeit nach sortiert (siehe Schritt 302) .
In einem Schritt 303 werden die n häufigsten Laute als Füllwörter bestimmt. Ein Laut 304 ist insbesondere ein Wort 305, eine Silbe 306, mehrere Wörter 307, ein Geräusch 308 oder eine Pause 309.
Fig.4 zeigt eine Liste mit möglichen Füllwörtern. Die Füllwörter kommen bei natürlichsprachlichen Dialogen in der modellierten Sprache (z.B. Deutsch) häufig vor und eignen sich hervorragend zur Modellierung von NichtSchlüsselwörtern. Fig.4 zeigt beispielhaft eine Liste mit 1! Füllwörtern:
"ich - wir - das - ja - dann - da - und - den - ist - mir - am - der - also - bis - es - Uhr - noch - bei."
In Fig.5 ist eine Recheneinheit 501 dargestellt. Die Recheneinheit 501 umfaßt einen Prozessor CPU 502, einen
Speicher 503 und eine Input/Output-Schnittstelle 504, die über ein aus der Recheneinheit 501 herausgeführtes Interface 505 auf unterschiedliche Art und Weise genutzt wird: Über eine Grafikschnittstelle wird eine Ausgabe auf einem Monitor 507 sichtbar und/oder auf einem Drucker 508 ausgegeben. Eine Eingabe erfolgt über eine Maus 509 oder eine Tastatur 510. Auch verfügt die Recheneinheit 501 über einen Bus 506, der die Verbindung von Speicher 503, Prozessor 502 und Input/Output-Schnittstelle 504 sicherstellt. Weiterhin ist es möglich, an den Bus 506 zusätzliche Komponenten anzuschließen: zusätzlicher Speicher, Festplatte, etc. Über das Interface 505 oder den Bus 506 ist es möglich, externe Geräte bzw. ein anderes auf einem weiteren Rechner ablaufendes Programm anzusteuern. Im Rahmen dieses Dokuments wurden folgende Veröffentlichungen zitiert:
[1] A. Hauenstein: "Optimierung von Algorithmen und Entwurf eines Prozessors für die automatische Spracherkennung", Lehrstuhl für Integrierte Schaltungen, Technische
Universität München, Dissertation, 19.07.1993, Kapitel 2, Seiten 13-26.
[2] R. C. Rose: "Keyword detection in conversational speech utterances using hidden Markov model based continuous speech recognition"; Computer, Speech and Language; 9 (1995); Seiten 309-333.
[3] Junkawitsch, Neubauer, Höge, Ruske: "A new keyword spotting algorithm with pre-calculated optimal thresholds", Proc. Intern. Conference on Speech and Language Processing, 1996, Seiten 2067-2070.
[4] M. Weintraub: "LVCSR Log-Likelihood Ratio Scoring for
Keyword-spotting", Proc. Intern. Conference on Acoustics, Speech and Signal Processing, 1995, Seiten 297-300.
[5] A. Hauenstein: "Optimierung von Algorithmen und Entwurf eines Prozessors für die automatische Spracherkennung", Lehrstuhl für Integrierte Schaltungen, Technische Universität München, Dissertation, 19.07.1993, Kapitel 3, Seiten 27-86.

Claims

Patentansprüche
1. Verfahren zur Erkennung vorgegebener Schlüsselwörter in gesprochener Sprache durch einen Rechner, a) bei dem die vorgegebenen Schlüsselwörter für die Erkennung modelliert werden, b) bei dem eine vorgegebene Menge von Füllwörtern modelliert wird, c) bei dem, wenn in der gesprochenen Sprache ein Schlüsselwort vorkommt, dieses Schlüsselwort erkannt wird, d) bei dem, wenn in der gesprochenen Sprache eine Übereinstimmung mit einem Füllwort ermittelt wird, kein Schlüsselwort erkannt wird.
2. Verfahren nach Anspruch 1, bei dem die vorgegebene Menge der Füllwörter kleiner 50 Wörter ist.
3. Verfahren nach Anspruch 1 oder 2, bei dem die vorgegebene Menge der Füllwörter aus einer vorgegebenen Anzahl häufigster Wörter der Sprache ermittelt wird.
4. Verfahren nach einem der Ansprüche 1 bis 3, bei dem bei Veränderung der vorgegebene Schlüsselwörter ein Füllwort, das ein Schlüsselwort ist, aus der Menge der Füllwörter gestrichen wird.
5. Verfahren nach einem der vorhergehenden Ansprüche, bei dem, wenn ein Füllwort mit einem Teil eines Schlüsselwortes übereinstimmt oder akustisch ähnlich ist, dieses Füllwort aus der Menge der Füllwörter gestrichen wird.
Verfahren nach einem der vorhergehenden Ansprüche, bei dem die in der gesprochenen Sprache erkannten Schlüsselwörter angezeigt und die erkannten Füllwörter nicht angezeigt werden.
7. Verfahren nach einem der vorhergehenden Ansprüche, bei dem mindestens ein Geräusch der Sprache modelliert und zu der Menge der Füllwörter hinzugefügt wird.
8. Verfahren nach einem der vorhergehenden Ansprüche, bei dem mindestens eine Pause modelliert und zu der Menge der Füllwörter hinzugefügt wird.
9. Verfahren nach einem der Ansprüche 1 bis 8, bei dem ein medizinisches Gerät anhand der Schlüsselwörter gesteuert wird.
10. Verfahren nach einem der Ansprüche 1 bis 8, bei dem der Rechner anhand des Schlüsselwortes mit einem Benutzer interagiert, wobei vorgegeben Aktionen auf dem Rechner durchgeführt werden.
11. Verfahren nach einem der Ansprüche 1 bis 8, bei dem ein Gerät oder eine Anwendung der Kommunikationstechnik anhand der Schlüsselwörter gesteuert wird.
12. Verfahren nach einem der vorhergehenden Ansprüche, bei dem ein Codewort eingerichtet wird, das anzeigt, daß ein Schlüsselwort folgt.
13. Verfahren nach Anspruch 12, bei dem das Codewort als Füllwort modelliert wird.
14. Vorrichtung zur Erkennung vorgegebener Schlüsselwörter in gesprochener Sprache mit einer Prozessoreinheit, die derart eingerichtet ist, daß a) die vorgegebenen Schlüsselwörter für die Erkennung modelliert werden, b) eine vorgegebene Menge von Füllwörtern modelliert wird, c) wenn in der gesprochenen Sprache ein Schlüsselwort vorkommt, dieses Schlüsselwort erkannt wird, d) wenn in der gesprochenen Sprache eine Übereinstimmung mit einem Füllwort ermittelt wird, kein Schlüsselwort erkannt wird.
15. Vorrichtung nach Anspruch 14, bei der die Prozessoreinheit derart eingerichtet ist, daß die vorgegebene Menge der Füllwörter klein ist.
16. Vorrichtung nach Anspruch 14 oder 15, bei der die Prozessoreinheit derart eingerichtet ist, daß die vorgegebene Menge der Füllwörter aus einer vorgegebenen Anzahl der häufigsten Wörter einer Sprache ermittelbar ist.
PCT/DE1999/001971 1998-07-23 1999-07-01 Verfahren und vorrichtung zur erkennung vorgegebener schlüsselwörter in gesprochener sprache Ceased WO2000005709A1 (de)

Priority Applications (2)

Application Number Priority Date Filing Date Title
EP99945842A EP1097447A1 (de) 1998-07-23 1999-07-01 Verfahren und vorrichtung zur erkennung vorgegebener schlüsselwörter in gesprochener sprache
US09/767,389 US20010016814A1 (en) 1998-07-23 2001-01-23 Method and device for recognizing predefined keywords in spoken language

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE19833212.2 1998-07-23
DE19833212 1998-07-23

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US09/767,389 Continuation US20010016814A1 (en) 1998-07-23 2001-01-23 Method and device for recognizing predefined keywords in spoken language

Publications (1)

Publication Number Publication Date
WO2000005709A1 true WO2000005709A1 (de) 2000-02-03

Family

ID=7875090

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/DE1999/001971 Ceased WO2000005709A1 (de) 1998-07-23 1999-07-01 Verfahren und vorrichtung zur erkennung vorgegebener schlüsselwörter in gesprochener sprache

Country Status (3)

Country Link
US (1) US20010016814A1 (de)
EP (1) EP1097447A1 (de)
WO (1) WO2000005709A1 (de)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2368958A (en) * 2000-11-14 2002-05-15 Robert Mcrobb Calder Method of Crowd Control
US10311874B2 (en) 2017-09-01 2019-06-04 4Q Catalyst, LLC Methods and systems for voice-based programming of a voice-controlled device
CN109994106A (zh) * 2017-12-29 2019-07-09 阿里巴巴集团控股有限公司 一种语音处理方法及设备

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8355912B1 (en) * 2000-05-04 2013-01-15 International Business Machines Corporation Technique for providing continuous speech recognition as an alternate input device to limited processing power devices
US7797159B2 (en) * 2002-09-16 2010-09-14 Movius Interactive Corporation Integrated voice navigation system and method
US7761321B2 (en) * 2006-02-22 2010-07-20 24/7 Customer, Inc. System and method for customer requests and contact management
US9129290B2 (en) * 2006-02-22 2015-09-08 24/7 Customer, Inc. Apparatus and method for predicting customer behavior
US8396741B2 (en) 2006-02-22 2013-03-12 24/7 Customer, Inc. Mining interactions to manage customer experience throughout a customer service lifecycle
US7752152B2 (en) * 2006-03-17 2010-07-06 Microsoft Corporation Using predictive user models for language modeling on a personal device with user behavior models based on statistical modeling
US8032375B2 (en) * 2006-03-17 2011-10-04 Microsoft Corporation Using generic predictive models for slot values in language modeling
US7689420B2 (en) * 2006-04-06 2010-03-30 Microsoft Corporation Personalizing a context-free grammar using a dictation language model
US8370127B2 (en) * 2006-06-16 2013-02-05 Nuance Communications, Inc. Systems and methods for building asset based natural language call routing application with limited resources
EP2608196B1 (de) * 2011-12-21 2014-07-16 Institut Telecom - Telecom Paristech Kombinatorisches Verfahren zur Erzeugung von Füllwörtern
CN103971678B (zh) * 2013-01-29 2015-08-12 腾讯科技（深圳）有限公司 关键词检测方法和装置
US9892729B2 (en) * 2013-05-07 2018-02-13 Qualcomm Incorporated Method and apparatus for controlling voice activation
US9747899B2 (en) * 2013-06-27 2017-08-29 Amazon Technologies, Inc. Detecting self-generated wake expressions
US12494205B2 (en) * 2023-01-06 2025-12-09 Toyota Connected North America, Inc. Data structure for task-oriented dialog modeling

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1996009587A1 (en) * 1994-09-22 1996-03-28 Computer Motion, Inc. A speech interface for an automated endoscopic system
US5509104A (en) * 1989-05-17 1996-04-16 At&T Corp. Speech recognition employing key word modeling and non-key word modeling

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5509104A (en) * 1989-05-17 1996-04-16 At&T Corp. Speech recognition employing key word modeling and non-key word modeling
WO1996009587A1 (en) * 1994-09-22 1996-03-28 Computer Motion, Inc. A speech interface for an automated endoscopic system

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
PAWLEWSKI M ET AL: "ADVANCES IN TELEPHONY-BASED SPEECH RECOGNITION", BT TECHNOLOGY JOURNAL,GB,BT LABORATORIES, vol. 14, no. 1, pages 127-149, XP000554644, ISSN: 1358-3948 *
ROSE R C ET AL: "A HIDDEN MARKOV MODEL BASED KEYWORD RECOGNITION SYSTEM1", INTERNATIONAL CONFERENCE ON ACOUSTICS, SPEECH & SIGNAL PROCESSING (ICASSP '90), ALBUQUERQUE, USA, 3 April 1990 (1990-04-03) - 6 April 1990 (1990-04-06), IEEE, New York, NY, USA, pages 129 - 132, XP000146422 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2368958A (en) * 2000-11-14 2002-05-15 Robert Mcrobb Calder Method of Crowd Control
GB2368958B (en) * 2000-11-14 2004-10-13 Robert Mcrobb Calder Method of crowd control
US10311874B2 (en) 2017-09-01 2019-06-04 4Q Catalyst, LLC Methods and systems for voice-based programming of a voice-controlled device
CN109994106A (zh) * 2017-12-29 2019-07-09 阿里巴巴集团控股有限公司 一种语音处理方法及设备
CN109994106B (zh) * 2017-12-29 2023-06-23 阿里巴巴集团控股有限公司 一种语音处理方法及设备

Also Published As

Publication number Publication date
US20010016814A1 (en) 2001-08-23
EP1097447A1 (de) 2001-05-09

Similar Documents

Publication Publication Date Title
DE69923191T2 (de) Interaktive anwenderschnittstelle mit spracherkennung und natursprachenverarbeitungssystem
EP0925461B1 (de) Verfahren zur mehrsprachenverwendung eines hidden markov lautmodelles in einem spracherkennungssystem
DE69834553T2 (de) Erweiterbares spracherkennungssystem mit einer audio-rückkopplung
DE69829235T2 (de) Registrierung für die Spracherkennung
DE69427083T2 (de) Spracherkennungssystem für mehrere sprachen
DE10111056B4 (de) Verfahren und Vorrichtungen zur Identifikation einer Nicht-Zielsprache in einem Spracherkennungssystem
DE69032777T2 (de) Spracherkennung unter Anwendung von Stichwörtern und Nichtstichwörter-Modellierung
DE60016722T2 (de) Spracherkennung in zwei Durchgängen mit Restriktion des aktiven Vokabulars
DE69827988T2 (de) Sprachmodelle für die Spracherkennung
DE60215272T2 (de) Verfahren und Vorrichtung zur sprachlichen Dateneingabe bei ungünstigen Bedingungen
DE69822296T2 (de) Mustererkennungsregistrierung in einem verteilten system
DE69814104T2 (de) Aufteilung von texten und identifizierung von themen
DE69622565T2 (de) Verfahren und vorrichtung zur dynamischen anpassung eines spracherkennungssystems mit grossem wortschatz und zur verwendung von einschränkungen aus einer datenbank in einem spracherkennungssystem mit grossem wortschatz
DE69524036T2 (de) Vorrichtung zur erkennung von gesprächsthemen
DE60124559T2 (de) Einrichtung und verfahren zur spracherkennung
WO2000005709A1 (de) Verfahren und vorrichtung zur erkennung vorgegebener schlüsselwörter in gesprochener sprache
DE112018002857T5 (de) Sprecheridentifikation mit ultrakurzen Sprachsegmenten für Fern- und Nahfeld-Sprachunterstützungsanwendungen
DE69819438T2 (de) Verfahren zur Spracherkennung
DE19847419A1 (de) Verfahren zur automatischen Erkennung einer buchstabierten sprachlichen Äußerung
DE69613556T2 (de) Schlüsselworterkennung
DE602004006641T2 (de) Audio-dialogsystem und sprachgesteuertes browsing-verfahren
EP1649450A1 (de) Verfahren zur spracherkennung und kommunikationsger t
EP0797185A2 (de) Verfahren und Vorrichtung zur Spracherkennung
DE69519229T2 (de) Verfahren und vorrichtung zur anpassung eines spracherkenners an dialektische sprachvarianten
DE60128372T2 (de) Verfahren und system zur verbesserung der genauigkeit in einem spracherkennungssystem

Legal Events

Date Code Title Description
AK Designated states

Kind code of ref document: A1

Designated state(s): US

AL Designated countries for regional patents

Kind code of ref document: A1

Designated state(s): AT BE CH CY DE DK ES FI FR GB GR IE IT LU MC NL PT SE

DFPE Request for preliminary examination filed prior to expiration of 19th month from priority date (pct application filed before 20040101)
121 Ep: the epo has been informed by wipo that ep was designated in this application
WWE Wipo information: entry into national phase

Ref document number: 1999945842

Country of ref document: EP

WWE Wipo information: entry into national phase

Ref document number: 09767389

Country of ref document: US

WWP Wipo information: published in national office

Ref document number: 1999945842

Country of ref document: EP

WWW Wipo information: withdrawn in national office

Ref document number: 1999945842

Country of ref document: EP