-
Das
vorliegende Dokument richtet sich auf ein Sprachmodell zur Verwendung
bei der Spracherkennung.
-
Ein
Spracherkennungssystem analysiert die Rede eines Nutzers zur Bestimmung
des Gesprochenen. Die meisten Spracherkennungssysteme arbeiten mit
Frames. In einem solchen System teilt ein Prozessor ein Signal,
das die zu erkennende Rede beschreibt, in eine Reihe digitaler Abschnitte,
d. h. Frames, die jeweils einem kleinen Zeitinkrement des Gesprochenen
entsprechen.
-
Ein
Spracherkennungssystem kann ein „diskretes" System mit der Erkennung von abgegrenzten
Wörtern
oder Phrasen sein, wobei der Nutzer jedoch zwischen jedem Einzelwort
bzw. jeder Einzelphrase eine kurze Pause lassen muss. Alternativ
dazu kann ein Spracherkennungssystem ein „kontinuierliches" System sein und
erkennt gesprochene Wörter
bzw. Phrasen unabhängig
davon, ob der Nutzer Pausen zwischen diese setzt. Kontinuierliche
Spracherkennungssysteme haben typischerweise eine höhere Fehlerrate
als diskrete Spracherkennungssysteme, da die Erkennung eines kontinuierlichen
Redeflusses komplexer ist.
-
Der
Prozessor eines kontinuierlichen Spracherkennungssystems analysiert
generell gesprochene „Äußerungen". Eine Äußerung umfasst
eine variable Anzahl von Frames und entspricht beispielsweise einer Sprechperiode,
der eine Pause von mindestens vorherbestimmter Dauer folgt.
-
Der
Prozessor bestimmt das vom Nutzer Gesprochene durch das Abrufen
akustischer Modelle, die mit den digitalen Frames einer Äußerung am
besten übereinstimmen,
und durch die Identifizierung von Text, der diesen akustischen Modellen
entspricht. Ein akustisches Modell kann einem Wort, einer Phrase
oder einem Befehl aus einem Vokabular entsprechen. Ein akustisches
Modell kann auch einen Klang oder ein Phonem darstellen, der bzw.
das einem Teil eines Wortes entspricht. Die ein Wort konstituierenden
Phoneme stellen zusammengenommen die phonetische „Schreibweise" dieses Wortes dar.
Akustische Modelle können
auch Stille und verschiedene Arten von Umgebungsrauschen abbilden.
-
Die
Wörter
bzw. Phrasen, die den am besten übereinstimmenden
akustischen Modellen entsprechen, werden als Erkennungskandidaten
bezeichnet. Der Prozessor kann für
eine Äußerung einen
einzelnen Erkennungskandidaten oder eine Liste von Erkennungskandidaten
erzeugen. Bei der Erzeugung dieser Wort- bzw. Phrasenkandidaten
kann der Prozessor ein Sprachmodell verwenden, das die Häufigkeit
(Frequenz) berücksichtigt,
in der Wörter
typischerweise im Verhältnis
zu einem anderen Wort verwendet werden.
-
Ein
wissenschaftlicher Artikel von Nisimura et al („Automatic N-gram Language
Model Creation from Web Resources” [Automatische N-gram-Sprachmodellerstellung
aus Internetressourcen], Eurospeech 2001, S. 2127–2130) offenbart
einen automatischen Aufbau eines Sprachmodells aus im Internet vorliegendem
Text zur kontinuierlichen Spracherkennung. In dem offenbarten Verfahren
werden Internet-Seiten durch schlüsselwortgestützte Internet-Suchdienste
identifiziert. Aus den so identifizierten Internet-Quellen wird Text
abgerufen und auf Grundlage dieses Textes wird ein Sprachmodell
generiert. Die Hauptansprüche
gehen über
dieses Dokument hinaus.
-
Ein
Artikel von Ido et al („Robotic
Receptionist ASKA: A Research Platform for Human-Robot Interaction” [ASKA-Roboterrezeption:
Forschungsplattform für
Mensch-Roboter-Interaktion] in Proceedings of the 2002 IEEE Int.
Workshop an Robot and Human Interactive Communication, S. 306–311) offenbart
ein robotertechnisches Begrüßungssystem
inklusive Spracherkenner mit einem Sprachmodell, das auf Grundlage
von mit Internet-Suchseiten gesammeltem Text und Text aus Mailing-Listen
generiert wird.
-
Gemäß einem
Aspekt der vorliegenden Erfindung wird ein Verfahren zum Aufbau
eines Sprachmodells nach Anspruch 1 und ein Verfahren zum Aufbau
eines Sprachmodells nach Anspruch 4 zur Verfügung gestellt.
-
Gemäß einem
anderen Aspekt der vorliegenden Erfindung wird ein Computerprogramm
zum Aufbau eines Sprachmodells nach Anspruch 10 zur Verfügung gestellt.
-
Gemäß einem
weiteren Aspekt der vorliegenden Erfindung wird ein System zum Aufbau
eines Sprachmodells zur Verwendung bei der Spracherkennung nach
Anspruch 11 und Anspruch 12 zur Verfügung gestellt.
-
Der
Aufbau eines Sprachmodells für
den Einsatz bei der Spracherkennung beinhaltet die Identifikation einer
auf einen Nutzer bezogenen Textquelle. Aus der identifizierten Textquelle wird
Text abgerufen und aus dem abgerufenen Text wird ein auf den Nutzer
bezogenes Sprachmodell aufgebaut.
-
Realisierungen
können
eines oder mehrere der folgenden Merkmale beinhalten. Beispielsweise
lassen sich vom Nutzer gesendete E-Mails ohne Nutzerinteraktion
als Textquelle identifizieren. Die E-Mails können durchgescannt werden,
um aus diesen E-Mails Wörter
zu identifizieren und aus diesen gescannten Wörtern diejenigen auszuwählen, die
für den
Aufbau des Sprachmodells verwendet werden.
-
Vom
Nutzer erstellte Dokumente, Dokumente, die an einem bestimmten Ort
auf einem Computer des Nutzers abgespeichert sind, und/oder Kontaktinformationen
des Nutzers werden ohne Interaktion des Nutzers als Textquelle identifiziert.
Aus den Kontaktinformationen des Nutzers können Namen abgerufen und gescannt werden,
um Namen zu identifizieren, die nicht in einem Vokabular von Wörtern enthalten
sind. Die identifizierten Namen können ohne Interaktion des Nutzers
in das Vokabular eingetragen werden.
-
Der
abgerufene Text kann gescannt werden, um aus dem Text Wörter zu
identifizieren, die nicht in einem Vokabular von Wörtern enthalten
sind, und die identifizierten Wörter
können
ohne Interaktion des Nutzers ins Vokabular eingetragen werden.
-
Der
abgerufene Text kann gescannt werden, um aus dem Text Wörter zu
identifizieren, die nicht in einem Vokabular von Wörtern enthalten
sind, worauf die identifizierten Wörter dem Nutzer angezeigt werden können. Der
Nutzer kann dazu aufgefordert werden, eine Auswahl von ins Vokabular
einzutragenden Wörtern zu
treffen, und die vom Nutzer ausgewählten Wörter können ins Vokabular eingetragen
werden.
-
Das
Sprachmodell kann dadurch aufgebaut werden, dass mit dem abgerufenen
Text Unigramme und/oder Bigramme und/oder Trigramme berechnet werden.
Die Textquelle kann ohne Interaktion des Nutzers identifiziert werden,
der identifizierte Text kann abgerufen werden und das Sprachmodell
kann als Teil eines Datenerfassungsprozesses (Enrollment) des Nutzers
aufgebaut werden.
-
Diese
allgemeinen und speziellen Aspekte können mit einem System, einem
Verfahren oder einem Computerprogramm oder einer Kombination aus
Systemen, Verfahren und Computerprogrammen implementiert werden.
-
Die
vorliegende Erfindung wird unter Bezugnahme auf die Begleitzeichnungen
beispielhaft beschrieben, wobei gilt:
-
1 ist
ein Blockschaltbild eines Spracherkennungssystems;
-
2 ist
ein Blockschaltbild der Spracherkennungssoftware des Systems von 1;
-
3 ist
ein Flussdiagramm eines beispielhaften Prozesses für den Aufbau
eines Sprachmodells;
-
4 und 5 sind
Bildschirmabbilder (Screenshots) von beispielhaften grafischen Nutzerschnittstellen;
und
gleiche Verweisziffern in den verschiedenen Zeichnungen
können
gleiche Elemente anzeigen.
-
Wie
in 1 dargestellt, beinhaltet ein Spracherkennungssystem 100 Eingabe/Ausgabe-Geräte (E/A-Geräte) (beispielsweise
ein Mikrofon 102, eine Maus 104, eine Tastatur 106 und
ein Anzeigegerät 108) und
einen Computer 110 mit einer Zentraleinheit (CPU) 112,
einer E/A-Einheit 114 und einer Soundkarte 116. Ein
Speicher 118 speichert Daten und Programme wie ein Betriebssystem 120 (z.
B. DOS, Windows®,
Windows® 95,
Windows® 98,
Windows® 2000,
Windows® NT,
Windows® Millennium
Edition, Windows® XP, OS/2®, Macintosh
OS und Linux), ein Anwendungsprogramm 122 und eine Spracherkennungssoftware 124.
Andere Beispiele des Systems 100 beinhalten eine Arbeitsstation,
einen Server, eine Vorrichtung, eine Komponente, sonstige Ausrüstung oder
Kombination derselben mit der Fähigkeit,
Anweisungen in festgelegter Weise zu beantworten und auszuführen.
-
Beispiele
von Anwendungsprogrammen 122 sind unter anderem Erstellungsanwendungen
(z. B. Textbearbeitungsprogramme, Datenbankprogramme, Tabellenkalkulationsprogramme,
Präsentationsprogramme, E-Mail-Programme
und Grafikprogramme), die die Erstellung von Dokumenten bzw. sonstigen
elektronischen Inhalten ermöglichen,
Browser-Anwendungen (z. B. Netscape Navigator und Microsoft Internet
Explorer), die die Wiedergabe von Standard-Internetinhalten ermöglichen,
PIM-Programme (Personal Information Managers) (z. B. Microsoft® Gutlook®,
Gutlook® Express
und Lotus Notes®),
die die Verwaltung persönlicher
Daten gestatten, und andere Programme (z. B. Kontaktmanagement-Software,
Terminverwaltungssoftware, Ausgabenverwaltungssoftware und Fax-Programme).
Beispiele für
eine geeignete Spracherkennungssoftware 124 sind die verschiedenen
Versionen der Software Dragon NaturallySpeaking®, die
bei ScanSoft, Inc. in Peabody, Massachusetts erhältlich ist.
-
Für die Spracherkennung
kann der Computer 110 verwendet werden. In diesem Fall
empfängt
das Mikrofon 102 die gesprochene Rede des Nutzers und sendet
diese in Form eines Analogsignals an die Soundkarte 116,
die das Signal durch einen Analog-Digital-Wandler (A/D-Wandler) schickt, damit
das Analogsignal in einen Satz digitaler Samples umgewandelt wird.
Der vom Betriebssystem 120 und der Spracherkennungssoftware 124 angesteuerte
Prozessor 112 identifiziert Äußerungen in der Rede des Nutzers. Äußerungen
werden durch eine Pause von ausreichend groß vorgegebener Dauer (beispielsweise
160–250
Millisekunden) voneinander abgegrenzt. Jede Äußerung kann ein Wort oder mehrere
Wörter
aus der Rede des Nutzers beinhalten.
-
Das
System kann auch einen Analogaufnahme-Anschluss (126) (Analog-Port)
und/oder einen Digitalaufnahme-Anschluss 128 (Digital-Port)
beinhalten. Der Anschluss 126 für die Analogaufnahme ist mit
der Soundkarte 116 verbunden und dient der Übertragung
gesprochener Rede, die mit einem analogen oder digitalen Aufnahmehandgerät aufgezeichnet
wird, an die Soundkarte. Der Analogaufnahme-Anschluss 126 kann mit
einem Line-In-Port realisiert werden. Das Aufnahmehandgerät wird über ein
Kabel angeschlossen, das den Line-In-Anschluss und einen Line-Out-Anschluss
oder Lautsprecheranschluss des Aufnahmegerätes miteinander verbindet.
Der Analogaufnahme-Anschluss 126 kann als Mikrofon realisiert
werden, das so positioniert wird, dass es sich in der Nähe des Lautsprechers
des Aufnahmehandgerätes
befindet, wenn das Aufnahmegerät
in den Anschluss 126 eingestöpselt ist, und kann auch mit
dem Mikrofon 102 realisiert werden. Alternativ dazu kann
der Analogaufnahme-Anschluss 126 als Bandabspielgerät realisiert
werden, in das ein mit Aufnahmehandgerät aufgezeichnetes Band eingelegt
wird und das die auf dem Band aufgezeichneten Informationen an die
Soundkarte 116 übermittelt.
-
Der
Digitalaufnahme-Anschluss 128 kann so realisiert werden,
dass er eine digitale Datei überträgt, die
mit einem digitalen Aufnahmehandgerät 130 erstellt wurde.
Diese Datei kann direkt in den Speicher 118 oder auf ein
Speichergerät
wie ein Festplattenlaufwerk 132 übertragen werden. Der Anschluss 128 für die digitale
Aufnahme kann als Speichergerät
(z. B. Diskettenlaufwerk oder CD-ROM-Laufwerk) des Computers 110 oder
als E/A-Anschluss
(I/O-Port) (z. B. USB-Anschluss) realisiert werden.
-
2 illustriert
Komponenten der Spracherkennungssoftware 124. Zur vereinfachten
Erörterung
wird in der nachfolgenden Beschreibung davon gesprochen, dass die
Komponenten zur Erzielung bestimmter Ergebnisse entsprechende Operationen
ausführen.
Dies ist jedoch so zu verstehen, dass die einzelnen Komponenten
typischerweise den Prozessor 112 zu der jeweiligen Operation
in entsprechender Weise veranlassen. Die Spracherkennungssoftware 124 beinhaltet
typischerweise ein oder mehrere Module wie ein Frontend-Bearbeitungsmodul 200,
ein Erkennungsmodul 215, ein Steuer/Schnittstellenmodul 220,
ein Constraint-Grammatik-Modul 225, ein Aktivvokabular-Modul 230,
ein Akustikmodell-Modul 235,
ein Vorfilterungsmodul 240 und ein Backup-Wörterbuch-Modul 245.
-
Zu
Beginn konvertiert ein Frontend-Bearbeitungsmodul 200 die
digitalen Samples 205 von der Soundkarte 116 (oder
vom Digitalaufnahme-Anschluss 128) in Parameter-Frames 210,
die den Häufigkeitsgehalt
einer Äußerung darstellen.
Jeder Frame kann 24 Parameter enthalten und stellt einen kurzen
Teilabschnitt (beispielsweise 10 Millisekunden) der Äußerung dar.
-
Ein
Erkennungsmodul (Spracherkenner) 215 empfängt und
bearbeitet die Frames einer Äußerung,
um Text zu identifizieren, der der Äußerung entspricht. Der Spracherkenner 215 unterhält verschiedene
Hypothesen in Bezug auf den Text und weist jeder einzelnen Hypothese
einen Relevanzwert (Score) zu. Dieser Score stellt die Wahrscheinlichkeit
dafür dar,
dass eine Hypothese der Nutzerrede entspricht. Zur einfacheren Bearbeitung
können
Scores als negative logarithmische Werte geführt werden. Dementsprechend
zeigt ein niedrigerer Score-Wert eine bessere Übereinstimmung (eine größere Wahrscheinlichkeit)
an, während
ein höherer Score-Wert
eine geringere Übereinstimmung
(eine geringere Wahrscheinlichkeit) anzeigt. Nach der Bearbeitung
der Äußerung liefert
der Spracherkenner 215 die bestbewerteten Hypothesen als
Liste von Erkennungskandidaten an das Steuer/Schnittstellenmodul 220,
wo jeder Erkennungskandidat einer Hypothese mit entsprechend zugeordnetem
Score entspricht. Einige Erkennungskandidaten können Text entsprechen, während andere
Erkennungskandidaten Befehlen entsprechen können. Befehle können Wörter, Phrasen
oder Sätze beinhalten.
-
Der
Spracherkenner 215 bearbeitet die Frames 210 einer Äußerung im
Hinblick auf eine oder mehrere Constraint-Grammatiken 225.
Eine Constraint-Grammatik, also eine regelbasierte Grammatik mit
entsprechenden Beschränkungen
(Constraints), kann die Wörter,
die einer Äußerung entsprechen
können,
oder die Reihenfolge bzw. grammatische Form der Wörter oder
beides begrenzen. Beispielsweise kann eine Constraint-Grammatik
für Menüführungsbefehle
nur Eingaben aus dem Menü (zum
Beispiel „Datei", „Bearbeiten") oder Befehlswörter für die Navigation
im Menü (zum
Beispiel „hoch", „runter", „oben", „unten") enthalten. Dabei können unterschiedliche
Constraint-Grammatiken zu unterschiedlichen Zeiten aktiv sein. Beispielsweise
kann eine Constraint-Grammatik mit einem besonderen Anwendungsprogramm 122 verknüpft sein
und aktiviert werden, wenn der Nutzer das Anwendungsprogramm 122 öffnet, bzw.
deaktiviert werden, wenn der Nutzer das Anwendungsprogramm 122 schließt. Der
Spracherkenner 215 kann eine Hypothese verwerfen, die nicht
mit einer aktiven Constraint-Grammatik übereinstimmt. Darüber hinaus
kann der Spracherkenner 215 für eine Hypothese, die mit einer
besonderen Constraint-Grammatik
verknüpft
ist, eine Score-Anpassung aufgrund der Charakteristika der Constraint-Grammatik vornehmen.
-
Eine
weitere Constraint-Grammatik 225, die von der Spracherkennungssoftware 124 verwendet
werden kann, ist eine Großvokabular-Diktiergrammatik.
Die Großvokabular-Diktiergrammatik
identifiziert Wörter, die
im aktiven Vokabular 230 enthalten sind, wobei dieses Aktivvokabular
die Aufstellung derjenigen Wörter ist,
die der Software bekannt sind. Die Großvokabular-Diktiergrammatik
beinhaltet auch ein Sprachmodell, das die Häufigkeit des Auftretens von
Wörtern
angibt.
-
Weitere
Beispiele von Constraint-Grammatiken 225 sind unter anderem
eine Inline-Diktiermakro-Grammatik
für Diktierbefehle
wie im Englischen „CAP" oder „CAPITALIZE" für die Schreibung
eines Wortes in Großbuchstaben
und „New
paragraph" („Neuer
Absatz") für den Beginn
eines neuen Absatzes; eine XYZ-Auswahlgrammatik für die Verwendung
bei der Auswahl von Text; eine Fehlerkorrektur-Befehlsgrammatik;
eine Diktatbearbeitungsgrammatik; eine Programmbefehls- und Steuergrammatik,
die zur Ansteuerung eines besonderen Anwendungsprogramms 122 verwendet
werden kann; eine Globalbefehls- und Steuergrammatik, die zur Ansteuerung
des Betriebssystems 120 und der Spracherkennungssoftware 124 verwendet
werden kann; eine Menü-
und Dialogführungsgrammatik,
die zur Menüführung verwendet
werden kann; und eine Tastatursteuergrammatik, mit der Eingabegeräte wie Tastatur 106 oder
Maus 104 durch den Einsatz der mündlichen Sprache ersetzt werden
können.
-
Das
aktive Vokabular 230 verwendet ein Aussprachemodell, in
dem jedes Wort durch eine Reihe von Phonemen dargestellt wird, die
das Wort phonetisch abbilden. Jedes Phonem lässt sich als Triphon darstellen, das
drei Knoten enthält.
Ein Triphon ist ein kontextabhängiges
Phonem. Beispielsweise stellt das Triphon „abc" das Phonem „b” im Kontext der Phoneme „a" und „c" dar, wobei dem Phonem „b" das Phonem „a" vorangeht und das
Phonem „c" folgt.
-
Jedem
Nutzer können
eine oder mehrere Vokabulardateien zugeordnet sein. Die Vokabulardateien können alle
Wörter,
Aussprachen und Sprachmodellinformationen für den Nutzer enthalten. Diktat-
und Befehlsgrammatiken können
auf Vokabulardateien aufgeteilt werden, um die Sprachmodellinformationen
und die Speicherauslastung zu optimieren sowie die einzelnen Vokabulardateien
jeweils größenmäßig einzugrenzen. Es
gibt auch einen Satz von Systemvokabularen.
-
Für jeden
Nutzer des Systems werden separate akustische Modelle 235 bereitgestellt.
Zu Beginn werden sprecherunabhängige
akustische Modelle männlicher
bzw. weiblicher Sprache über
ein Enrollment-Programm auf das Sprechen eines speziellen Nutzers
abgestimmt. Die akustischen Modelle können während der Verwendung des Systems
weiter abgestimmt werden. Die akustischen Modelle werden in einer
Datei getrennt vom aktiven Vokabular 230 geführt.
-
Die
akustischen Modelle 235 stellen Phoneme dar. Im Falle von
Triphonen stellen die akustischen Modelle 235 jeden Triphon-Knoten
als eine Mischung Gaußscher
Wahrscheinlichkeitsdichtefunktionen („WDF” bzw. englisch „PDF" [probability density
functions]) dar. Beispielsweise lässt sich der Knoten „i" eines Triphons „abc" als abic
darstellen: abic = Σ kwkN(μk,ck)wobei wk jeweils ein Mischgewicht ist: Σ kwk = 1,
-
µk ist ein mittlerer Vektor für die Wahrscheinlichkeitsdichtefunktion
(„WDF") Nk und
ck ist die Kovarianzmatrix für die WDF
Nk. Wie die Frames in der Frames-Sequenz
enthalten die Vektoren µk jeweils vierundzwanzig Parameter. Die Matrizen
ck sind vierundzwanzig mal vierundzwanzig
Matrizen. Jeder Triphon-Knoten kann als eine Mischung von bis zu
beispielsweise sechzehn unterschiedlichen WDF dargestellt werden.
-
Eine
besondere WDF kann bei der Darstellung mehrerer Triphon-Knoten verwendet
werden. Dementsprechend stellen die akustischen Modelle 235 jeden
Triphon-Knoten als eine Sammlung von Mischgewichten wk,
die mit bis zu sechzehn unterschiedlichen WDF Nk verknüpft sind,
und jede einzelne WDF Nk separat mit einem
mittleren Vektor µk und einer Kovarianzmatrix ck dar.
Die Verwendung einer einzelnen WDF zur Darstellung mehrerer Triphon-Knoten
macht es möglich,
dass die Modelle weniger WDF enthalten als notwendig wäre, wenn
jeder Triphon-Knoten gänzlich
separate WDF enthielte. Da sich die englische Sprache grob mit 43 unterschiedlichen
Phonemen darstellen lässt,
kann es bis zu 79.507 (433) verschiedene
Triphone geben, die zu einer riesigen Anzahl von WDF führen würden, wenn
jedes Triphon von einem separaten WDF-Satz dargestellt würde. Durch
die Darstellung mehrerer Knoten mit gemeinsamen WDF kann auch ein
Datenknappheitsproblem behoben bzw. vermindert werden, das durch
das seltene Auftreten einiger Triphone (beispielsweise „tzp" in der englischen
Sprache) entsteht. Diese seltenen Triphone können dargestellt werden, indem
dafür gesorgt
wird, dass eng verwandte Triphone sich den gleichen WDF-Satz teilen.
-
Eine
Großvokabular-Diktiergrammatik
kann mehrere Diktierthemen (beispielsweise „Medizin" oder „Recht") mit jeweils eigener Vokabulardatei
und eigenem Sprachmodell umfassen. Ein Diktierthema beinhaltet einen
Satz Wörter,
der das aktive Vokabular 230 darstellt. In einem typischen
Beispiel kann ein Thema ca. 30.000 Wörter umfassen, die bei der
normalen Erkennung berücksichtigt
werden.
-
Ein
komplettes Diktiervokabular besteht aus dem aktiven Vokabular 230 plus
einem Backup-Vokabular 245.
Das Backup-Vokabular 245 kann Dateien umfassen, die nutzerspezifische
Backup-Vokabularwörter
und systemweite Backup-Vokabularwörter enthalten.
-
Nutzerspezifische
Backup-Vokabularwörter
beinhalten Wörter,
die ein Nutzer bei der Verwendung der Spracherkennungssoftware angelegt
hat. Diese Wörter
werden in Vokabulardateien für
den Nutzer und für
das Diktierthema gespeichert und sind als Teil des Backup-Wörterbuches
für das
Diktierthema unabhängig
vom Nutzer sowie für
den Nutzer unabhängig
vom verwendeten Diktierthema verfügbar. Wenn beispielsweise ein Nutzer
ein medizinisches Thema verwendet und das Wort „Ganglion" zum Diktiervokabular hinzufügt, so hat jeder
andere Nutzer des medizinischen Themas unmittelbaren Zugriff auf
das Wort „Ganglion". Zusätzlich dazu wird
das Wort in das nutzerspezifische Vokabular geschrieben. Wenn daraufhin
der Nutzer bei Verwendung eines Rechtsthemas „Ganglion" sagt, steht das Wort „Ganglion" bei der Korrektur
ausgehend vom Backup-Wörterbuch
zur Verfügung.
-
Neben
dem oben angegebenen nutzerspezifischen Backup-Vokabular gibt es
ein systemweites Backup-Vokabular. Das systemweite Backup-Vokabular
enthält
alle dem System bekannten Wörter
einschließlich der
Wörter,
die sich aktuell in einem aktiven Vokabular befinden können.
-
Der
Spracherkenner 215 kann parallel zu einer Vorfilterungsprozedur 240 arbeiten.
Sobald die Bearbeitung einer Äußerung ausgelöst wird,
fordert der Spracherkenner 215 von der Vorfilterungsprozedur 240 eine
Liste von Wörtern
an, die eventuell als erstes Wort der Äußerung gesprochen wurden (das
heißt:
die dem ersten und den nachfolgenden Frames der Äußerung entsprechen können). Die
Vorfilterungsprozedur 240 führt einen Grobabgleich zwischen
der Frame-Sequenz und dem aktiven Vokabular 230 durch,
um eine Teilmenge des Vokabulars zu identifizieren, für die ein
umfassenderer Vergleich mit dem Spracherkenner gerechtfertigt ist.
-
Das
Steuer/Schnittstellenmodul 220 steuert den Betrieb der
Spracherkennungssoftware und stellt eine Schnittstelle zu anderer
Software bzw. zum Nutzer zur Verfügung. Das Steuer/Schnittstellenmodul 220 empfängt vom
Spracherkenner für
jede Äußerung die
Liste der Erkennungskandidaten. Erkennungskandidaten können diktiertem
Text, Spracherkennungsbefehlen oder externen Befehlen entsprechen.
Wenn es sich bei dem bestbewerteten Erkennungskandidaten um diktierten
Text handelt, liefert das Steuer/Schnittstellenmodul 220 den
Text an eine aktive Anwendung wie eine Textverarbeitung. Das Steuer/Schnittstellenmodul 220 kann den
bestbewerteten Erkennungskandidaten auch über eine grafische Nutzerschnittstelle
dem Nutzer zur Anzeige bringen. Wenn der bestbewertete Erkennungskandidat
ein Befehl ist, realisiert das Steuer/Schnittstellenmodul 220 den
Befehl. Beispielsweise kann das Steuer/Schnittstellenmodul 220 den
Betrieb der Spracherkennungssoftware 124 in Reaktion auf
Spracherkennungsbefehle (beispielsweise „aufwachen", „ausführen") steuern und externe
Befehle an die entsprechende Software weiterleiten.
-
Das
Steuer/Schnittstellenmodul 220 kann auch das aktive Vokabular 230,
akustische Modelle 235 und Constraint-Grammatiken 225 ansteuern,
die vom Spracherkenner 215 verwendet werden. Wenn beispielsweise
die Spracherkennungssoftware 124 im Zusammenhang mit einem
besonderen Anwendungsprogramm 122 (beispielsweise Microsoft
Word) verwendet wird, aktualisiert das Steuer/Schnittstellenmodul 220 das
aktive Vokabular 230 zur Einbeziehung von Befehlswörtern, die
mit dieser Anwendung verknüpft
sind, und aktiviert Constraint-Grammatiken 225, die mit
dem Anwendungsprogramm 122 verknüpft sind.
-
Weitere
vom Steuer/Schnittstellenmodul 220 bereitgestellte Funktionen
sind u. a. ein Enrollment-Programm, ein Vokabular-Customizer und
ein Vokabular-Manager. Das Enrollment-Programm erfasst akustische Informationen
eines Nutzers und übernimmt
auf Grundlage dieser Informationen das Training bzw. die Anpassung
der Nutzermodelle. Der Vokabular-Customizer optimiert das Sprachmodell
eines speziellen Themas durch Ausführung des weiter unten in Bezug
auf 3 beschriebenen Prozesses 300. Der Vokabular-Manager
ist ein Entwickler-Tool für
die Navigation in und die Führung
von Vokabularen, Grammatiken und Makros. Jede Funktion des Steuer/Schnittstellenmoduls 220 lässt sich
als ausführbares
Programm getrennt von der Spracherkennungs-Hauptsoftware realisieren.
-
Das
Enrollment-Programm kann in einem interaktiven Modus betrieben werden,
der den Nutzer durch den Erfassungs- und Registrierungsprozess führt, oder
in einem nicht interaktiven Modus arbeiten, der es dem Nutzer gestattet,
das Enrollment unabhängig
vom Computer durchzuführen.
Im interaktiven Modus bringt das Enrollment-Programm dem Nutzer
den Erfassungstext nutzerlesbar zur Anzeige. Während der Nutzer den Text liest,
verwendet der Spracherkenner 215 die Enrollment-Grammatik
und versucht eine Sequenz von Äußerungen
des Nutzers mit sequentiellen Teilabschnitten des Erfassungstextes
per Abgleich in Übereinstimmung
zu bringen. Wenn der Spracherkenner 215 zu keinem Ergebnis
kommt, fordert das Enrollment-Programm den Nutzer zur Wiederholung
bestimmter Passagen des Textes auf. Der Spracherkenner nutzt akustische
Informationen aus den Äußerungen
des Nutzers zum Training bzw. zur Anpassung von akustischen Modellen 235,
die den abgeglichenen Teilabschnitten des Erfassungstextes entsprechen.
-
Das
Steuer/Schnittstellenmodul 220 kann ferner Fehlerkorrekturprozeduren
und Cursorplatzbedienprozeduren der Software 124 implementieren.
Zu den Fehlerkorrekturprozeduren zählen u. a. ein Befehl „Ausführen" und ein Befehl „Buchstabieren". Zu den Prozeduren
der Cursorpositionierung gehören
u. a. der oben erörterte
Befehl „Auswählen" mit entsprechenden
Variationen (z. B. „Auswählen [Anfang]
bis [Ende]"), die
Befehle „Einfügen vor/nach" und ein Befehl „Fortsetzen
mit".
-
Das
Steuer/Schnittstellenmodul 220 kann Fehlerkorrekturprozeduren
der Spracherkennungssoftware 124 implementieren. Wenn die
Spracherkennungssoftware 100 einen Erkennungsfehler begeht,
kann der Nutzer den Fehler über
einen entsprechenden Korrekturbefehl beheben. Bei der Fehlerkorrektur
beginnt eine Wörtersuche
des Backup-Wörterbuchs 245 im
nutzerspezifischen Backup-Wörterbuch,
wonach das systemweite Backup-Wörterbuch
geprüft
wird. Das Backup-Wörterbuch 245 wird
auch durchsucht, wenn im Text neue Wörter auftreten, die ein Nutzer
eingetippt hat.
-
Im
Allgemeinen beinhaltet das Backup-Wörterbuch 245 wesentlich
mehr Wörter
als im aktiven Vokabular 230 enthalten sind. Wenn das aktive
Vokabular 230 beispielsweise etwa 60.000 Einträge aufweist,
kann das Backup-Wörterbuch 245 grob überschlagen
190.000 Einträge
aufweisen. Das aktive Vokabular 230 ist ein dynamisches
Vokabular, das heißt,
dass im Laufe der Zeit Einträge
zum aktiven Vokabular hinzugefügt
oder vom aktiven Vokabular abgezogen werden können. Wenn beispielsweise der
Nutzer auf eine Fehlerkennung hinweist und das Steuer/Schnittstellenmodul 220 zur
Fehlerkorrektur das Backup-Wörterbuch 245 verwendet, kann
ein neues Wort vom Backup-Wörterbuch 245 zum
aktiven Vokabular 230 hinzugefügt werden, um die Wahrscheinlichkeit
eines erneuten Auftretens des Fehlers zu vermindern.
-
Die
effektive Größe des aktiven
Vokabulars 230 kann erhöht
werden, indem Wörter
in Wortbestandteile oder Wortfragmente zerlegt werden. Zu den Wortfragmenten
gehören
Vorsilben (Präfixe)
und Nachsilben (Suffixe), die zusammen als Affixe bezeichnet werden.
Ein Präfix
ist ein Wortfragment, dem ein anderes Wortfragment oder Wort nachfolgt
und das deshalb als „Präfix+" dargestellt werden
kann. Ein in der englischen Sprache übliches Präfix ist beispielsweise die
Vorsilbe „re+". Im Gegensatz zum
Präfix
ist ein Suffix ein Wortfragment, das einem anderen Wortfragment
oder Wort nachfolgt. Ein Suffix kann als „+Suffix" dargestellt werden. Ein in der englischen
Sprache übliches
Suffix ist beispielsweise die Nachsilbe „+ed".
-
Zu
den Wortfragmenten zählen
auch Wortstämme,
die gemeinsam mit einem Präfix
oder einem Suffix auftreten können.
Ein Wortstamm kann ein echter Wortstamm sein, das heißt, er ist
bei Alleinauftreten kein vollständiges
Wort und kann deshalb als „+Stamm+" dargestellt werden.
Ein Beispiel für
einen echten Wortstamm ist im Englischen der Stamm „+crimin+", der das Wort „decriminalize" bilden kann, wenn
das Präfix „de+" vorangestellt wird
sowie die Suffixe „+al" und „+ize" nacheinander angehängt werden.
Ein Stamm kann auch ein Wortstamm sein, der ein Wort ergibt, wenn
er allein verwendet wird. Beispielsweise kann der Wortstamm "look" im Englischen als
Wort "look" verwendet oder mit
anderen Wortfragmenten verbunden werden, um ein anderes Wort zu
bilden wie „looked".
-
Zu
Wortfragmenten können
auch Trennzeichen (Separatoren) gehören, wie das Fugen-„s” in der
deutschen Sprache, durch das Wörter
miteinander verbunden werden, oder der Bindestrich, der in der englischen Sprache
häufig
verwendet wird, sowie Infixe, die als wortinnere Bindeglieder in
solchen Sprachen wie Ungarisch, Mon-Khmer verwendet werden. In der
Sprache Tagalog bedeutet beispielsweise „tawa" „das
Lachen", aber „t -um-
awa" bildet das
Verb „lachen". Somit könnte -um-
in Tagalog ein Infix darstellen. Als weiteres Beispiel lässt sich
in der thailändischen
Sprache „pak" mit der Bedeutung „Auflage" nennen, wobei „p -n-
ak" jedoch „eine Stütze" wie z. B. ein Stuhl
bedeutet. Somit könnte
-n- in der thailändischen
Sprache ein Infix darstellen. Infixe sind selten in der englischen
Sprache. Ein Beispiel für
ein informelles Infix im Englischen könnte -bloody- sein, wie in „fan -bloody- tastic".
-
Jedes
Wortfragment kann als separater Eintrag in das aktive Vokabular 230 gemeinsam
mit einem Satz aktiver Wörter
aufgenommen werden, zu denen typischerweise ein großer Teil
der zuvor aktiven Wörter gehört. Die
Wortfragmente erhöhen
die effektive Größe des aktiven
Vokabulars durch die Einbeziehung von gegebenenfalls im Backup-Wörterbuch 245 befindlichen,
als „zerlegbar" bezeichneten Wörtern, die
aus Kombinationen von Wortfragmenten mit anderen Wortfragmenten
oder mit aktiven Wörtern
gebildet werden können.
Wörter
des Backup-Wörterbuchs,
die sich nicht aus solchen Kombinationen bilden lassen, werden als „nicht
zerlegbare" Wörter bezeichnet.
-
Wenn
der Spracherkenner 215 in einer Äußerung ein Wortfragment erkennt,
kombiniert das System das Wortfragment mit einem oder mehreren anderen
Wortfragmenten oder Wörtern
zur Erzeugung eines neuen Wortes, woraufhin es das Backup-Wörterbuch 245 durchsucht
oder entsprechende Regeln anwendet, um das neue Wort als gültiges Wort
zu bestätigen.
Somit kann das Spracherkennungssystem 100 das Backup-Wörterbuch 245 nutzen,
ohne dass der Spracherkenner 215 Wörter des Backup-Wörterbuchs
bearbeiten muss. Durch die Erhöhung
der effektiven Größe des aktiven
Vokabulars 230 ohne Erhöhung
der tatsächlichen Größe wird
die Erkennungsrate des Spracherkennungssystems 100 erweitert,
ohne dass sich die dafür
erforderliche Speicherkapazität
oder Verarbeitungszeit erheblich erhöht.
-
In
einer Realisierungsform kann der Spracherkenner ein oder mehrere
Sprachmodelle verwenden. Bei der Bestimmung des für eine Äußerung bestpassenden
akustischen Modells kann der Prozessor ein Sprachmodell konsultieren,
das eine Wahrscheinlichkeit dafür
anzeigt, dass der dem akustischen Modell entsprechende Text in der
Rede auftritt. Beispielsweise kann ein Sprachmodell ein Bigramm-Modell
enthalten, das die Häufigkeit
anzeigt, mit dem ein Wort im Kontext eines vorangehenden Wortes
auftritt. Zum Beispiel kann ein Bigramm-Modell anzeigen, dass im
Englischen ein Substantiv oder Adjektiv wie „word" mit höherer Wahrscheinlichkeit auf
das Wort „the" folgt als auf ein
Verb wie „is".
-
Das
Sprachmodell kann ausgehend von einem großen Text-Sample generiert werden.
In der Regel ändern
sich die vom Sprachmodell erzeugten Wahrscheinlichkeiten während des
Einsatzes nicht. Das Sprachmodell kann sich jedoch ändern, wenn
Wörter
zum Sprachmodell hinzugefügt
oder vom Sprachmodell abgezogen werden, da die Wörter zum aktiven Vokabular
hinzugefügt
bzw. vom aktiven Vokabular abgezogen werden.
-
Ein
mit der Großvokabular-Diktiergrammatik
verknüpftes
Sprachmodell kann ein Unigramm-Modell sein,
das die Häufigkeit
anzeigt, mit der ein Wort kontextunabhängig auftritt, oder ein Bigramm-Modell,
das die Häufigkeit
anzeigt, mit der ein Wort im Kontext eines vorangehenden Wortes
auftritt. Beispielsweise kann ein Bigramm-Modell anzeigen, dass
auf das Wort mit höherer
Wahrscheinlichkeit ein Substantiv oder Adjektiv folgt. Das Sprachmodell
kann ferner ein Trigramm-Modell sein, das die Häufigkeit, mit der ein Wort
im Kontext von zwei vorangehenden Wörtern auftritt, oder eine andere
Variation anzeigt.
-
Ein
weiteres beispielhaftes Sprachmodell ist ein Kategorie-Sprachmodell,
das die Häufigkeit
anzeigt, mit der ein Wort im Kontext einer vorangehenden Kategorie
auftritt. Beispielsweise kann ein einfaches Kategoriemodell solche
Kategorien wie „Substantive" oder „Adjektive" enthalten. Zum Beispiel
kann ein solches einfaches Kategoriemodell anzeigen, dass das Wort "is" mit höherer Wahrscheinlichkeit
nach Wörtern
aus der Kategorie der "Substantive" als nach Wörtern aus
der Kategorie der „Adjektive" auftritt. Komplexere
Kategoriemodelle können
solche Kategorien wie „Orte", „Sportadjektive" oder „medizinische
Substantive" beinhalten. Wie
beim Bigramm-Modell kann das Kategoriemodell aus einem großen Datenbestand
erstellt werden und Wahrscheinlichkeiten enthalten, die sich während der
Verwendung nicht ändern.
-
Weitere
beispielhafte Sprachmodelle können
ein thematisches Unigramm-Sprachmodell, ein thematisches Bigramm-Sprachmodell
und ein thematisches Trigramm-Sprachmodell beinhalten, die jeweils
auf einer mit einem Nutzer verknüpften
Textquelle beruhen können.
In einer Realisierung kann das thematische Sprachmodell ein einzelnes
mit einem besonderen Nutzer verknüpftes Sprachmodell beinhalten,
das Unigramm-, Bigramm- und Trigramm-Informationen enthält.
-
Die
verschiedenen oben erörterten
Sprachmodelle können
in einem einzelnen Sprachmodell enthalten oder in ein oder mehrere
verknüpfte
Sprachmodelle aufgeteilt sein. Jeder Nutzer des Spracherkennungssystems
kann ein oder mehrere Sprachmodelle haben.
-
3 illustriert
einen Prozess 300 zum Aufbau eines Sprachmodells zur Verwendung
bei der Spracherkennung. Prozess 300 beinhaltet typischerweise
die Identifizierung einer nutzerbezogenen Textquelle ohne Interaktion
des Nutzers (Schritt 310), das Abrufen von Text aus der
identifizierten Textquelle ohne Interaktion des Nutzers (Schritt 320)
und den Aufbau eines auf den Nutzer bezogenen Sprachmodells anhand
des abgerufenen Textes (Schritt 330).
-
Der
Prozess 300 automatisiert den Prozess des Aufbaus eines
nutzerbezogenen Sprachmodells und kann ohne Interaktion des Nutzers
durchgeführt
werden. In einer Realisierungsform wird der Prozess 300 als Teil
des Datenerfassungs- und Datenregistrierungsprozesses (Enrollment)
eines Nutzers durchgeführt. 4 zeigt
einen beispielhaften Screenshot einer grafischen Nutzerschnittstelle
(Graphical User Interface – kurz GUI) 400,
die während
des Enrollment-Prozesses als Bestandteil eines Assistenten zur Einrichtung
eines neuen Nutzers (new user wizard) dem Nutzer zur Anzeige gebracht
werden kann. Diese Realisierungsform benötigt als einzige Interaktion
des Nutzers eine Bestätigungshandlung
des Nutzers, mit der der Start des automatisierten Prozesses 300 bestätigt wird.
Beispielsweise zeigt die grafische Nutzerschnittstelle (GUI) 400 eine „Start"-Schaltfläche 410,
die ein Nutzer zur Auslösung
des Prozesses 300 anwählen
kann. Nach dieser Einleitungsbestätigung des Prozesses 300 ist
keine weitere Interaktion des Nutzers mehr erforderlich. Der Nutzer hat
die Option, den Prozess 300 in der Enrollment-Phase zu überspringen,
wie durch Ankreuzen des Kästchens 415 mit
der Funktion „Skip
this Step" („Diesen
Schritt überspringen").
-
In
einer anderen Realisierungsform läuft der Prozess 300 zu
anderen Zeitpunkten nach erfolgtem Enrollment-Prozess des neuen
Nutzers ab. Beispielsweise kann der Nutzer in regelmäßigen oder
per Zufallsprinzip bestimmten Zeitabständen zur Auslösung des
Prozesses 300 aufgefordert werden. In einer Realisierungsform
wird ein Popup-Fenster zur Aufforderung des Nutzers verwendet. Zusätzlich oder
alternativ dazu kann der Nutzer die Auslösung des Prozesses 300 selbst
anwählen. 5 als
Screenshot zeigt eine beispielhafte GUI 500, die einem
Nutzer nach erfolgter Einrichtung und Registrierung des neuen Nutzers
gelegentlich zur Anzeige gebracht wird. Die einzige Interaktion,
die in dieser Realisierungsform vom Nutzer gefordert wird, ist eine
Bestätigungshandlung
des Nutzers, mit der er den Start des automatisierten Prozesses 300 bestätigt. Zum
Beispiel bietet die GUI 500 eine „Start"-Schaltfläche 510, die ein Nutzer
zur Auslösung
des Prozesses 300 anwählen
kann. Wurde der Start des Vorgangs bestätigt, läuft der Prozess ohne weitere
Interaktion des Nutzers ab. Somit kann der Prozess 300 viele
Male ausgeführt
werden, wobei das Sprachmodell für
den Nutzer jedes Mal aktualisiert wird und das Leistungsvermögen der
Spracherkennung verbessert.
-
In
einer Realisierungsform wird der gesamte Prozess 300 ohne
Interaktion des Nutzers ausgeführt. Ohne
Interaktion des Nutzers bedeutet, dass nach dem ausgelösten bzw. bestätigten Start
des Prozesses 300 keine weitere Interaktion des Nutzers
notwendig ist, um den Prozess mit den Schritten Identifizierung
einer nutzerbezogenen Textquelle (Schritt 310), Abrufen
von Text aus der identifizierten Textquelle (Schritt 320)
und Aufbau eines nutzerbezogenen Sprachmodells aus dem abgerufenen
Text (Schritt 330) auszuführen.
-
In
einer weiteren beispielhaften Realisierung wird ein Teil des Prozesses 300 ohne
Interaktion des Nutzers durchgeführt,
während
andere Teile des Prozesses 300 mit Interaktion des Nutzers
durchgeführt
werden. Beispielsweise kann die Identifizierung einer nutzerbezogenen
Textquelle (Schritt 310) ohne Interaktion des Nutzers durchgeführt werden.
Nach erfolgter Identifizierung der Textquelle (Schritt 310)
können
andere Teile des Prozesses 300 mit Interaktion des Nutzers
erfolgen, wie beispielsweise die Aufforderung an den Nutzer zur
Auswahl von aus der Textquelle abgerufenen Wörtern zwecks Übernahme
in ein Vokabular.
-
Als
Bestandteil des Prozesses 300 kann eine nutzerbezogene
Textquelle ohne Interaktion des Nutzers identifiziert werden (Schritt 310).
Eine nutzerbezogene Textquelle kann Dateien umfassen, die mit dem
Nutzer verknüpften
Text enthalten. In einer Realisierungsform kann der Prozess 300 zur
Identifizierung von nutzerbezogenen Textquellen feststellen, welche
Anwendungsprogramme auf dem Rechner eines Nutzers gespeichert sind.
Beispielsweise kann Prozess 300 ohne Interaktion des Nutzers
feststellen, welche PIM-Programme (z. B. Microsoft® Gutlook®,
Gutlook® Express
und Lotus Notes®)
auf dem Computer des Nutzers installiert sind. Der Prozess 300 kann
daraufhin vom Nutzer versendete E-Mails als eine nutzerbezogene
Textquelle identifizieren. Beispielsweise kann der Prozess 300 zur
Identifizierung der von einem Nutzer versendeten E-Mails die automatisierte
Objekteinbettung (OLE-Automation) verwenden. Zusätzlich oder alternativ dazu
kann der Prozess 300 die Kontaktinformationen eines Nutzers
als eine nutzerbezogene Textquelle identifizieren.
-
Zusätzlich zu
den versendeten E-Mails und Kontaktdaten eines Nutzers können andere
nutzerbezogenen Textquellen identifiziert werden, wie beispielsweise
vom Nutzer verfasste Dokumente und an einem bestimmten Speicherort
auf einem Rechner abgelegte Dokumente (z. B. Dokumente, die in einem
Ordner namens „My
Dokuments" oder „Eigene
Dateien" eines Windows-Nutzers
abgelegt sind). Als Textquellen für den Textabruf können unterschiedliche
Dokumenttypen (Dateierweiterungen) identifiziert werden, die mit
verschiedenen Anwendungsprogrammen (z. B. Anwendungsprogrammen 122 gemäß 1)
verknüpft
sein können. Beispielsweise
kann zur Identifizierung spezieller Dokumenttypen (z. B. .doc, .html,
.wpd und .rtf) die OLE-Automatisierung herangezogen werden.
-
Nach
erfolgter Identifizierung nutzerbezogener Textquellen beinhaltet
der Prozess 300 den Abruf von Text aus der identifizierten
Textquelle (Schritt 320). Der Textabruf aus der identifizierten
Textquelle kann den Abruf von Rohtext beinhalten. Als Teil des Abrufvorgangs
können
unerwünschte
Positionen aus der Textquelle herausgefiltert werden. Wenn die Textquelle
eine versendete E-Mail eines Nutzers ist, können aus der E-Mail beispielsweise
Kopfzeilendaten (Header-Informationen), Adressinformationen und
Antwortinformationen herausgefiltert werden. Die Filterung der Antwortinformationen
kann dadurch erfolgen, dass ermittelt wird, welcher Text im Dokument
neu ist und welcher ursprüngliche
Text zur Beantwortung übernommen
wurde. Andere Positionen wie Binärdateien
und fremdsprachige Dokumente können
während
des Textabrufvorgangs identifiziert und herausgefiltert werden.
-
In
einer Realisierungsform kann durch Verwendung von Filterregeln bestimmt
werden, aus welchen Dokumenten Text abgerufen werden soll. Dabei
können
eine oder mehrere Filterregeln gleichzeitig verwendet werden. Beispielsweise
können
in einer Filterregel nur Dokumente erfasst sein, die innerhalb eines
bestimmten Zeitabschnitts (z. B. während der letzten neunzig Tage)
bearbeitet wurden. Eine andere Filterregel kann ausschließlich Dokumente
mit einer bestimmten Textzeichenzahl erfassen (z. B. mehr als 512
Textzeichen).
-
Nach
Abruf des Textes (Schritt 320) wird mit dem abgerufenen
Text ein auf den Nutzer bezogenes Sprachmodell aufgebaut (Schritt 330).
Mit den abgerufenen Informationen aus dem Text lassen sich ein oder mehrere
Sprachmodelle aufbauen. In einer beispielhaften Realisierungsform
wird ein Sprachmodell für
den speziellen Nutzer mit Wortzählungen
aus dem Rohtext aufgebaut. Das Sprachmodell kann ein Unigramm-Sprachmodell,
ein Bigramm-Sprachmodell
und/oder ein Trigramm-Sprachmodell beinhalten. Die unterschiedlichen
Sprachmodelle (z. B. Unigramm, Bigramm und Trigramm) können in
einem einzelnen kombinierten Sprachmodell für den speziellen Nutzer enthalten
sein oder sich in separaten Sprachmodellen für den speziellen Nutzer befinden.
-
Das
Sprachmodell kann aufgebaut werden, indem die abgerufenen Wörter in
ein oder mehrere Vokabulare eingeschrieben werden. Beispielsweise
können
die abgerufenen Wörter
gescannt werden, um die für das
Vokabular neuen Wörter
gegenüber
den im Vokabular bereits enthaltenen Wörtern festzustellen. In einer Realisierungsform
können
die neuen Wörter
ohne Eingreifen des Nutzers in das Vokabular eingeschrieben werden.
Wenn Text aus Kontaktinformationen eines Nutzers gewonnen wird,
können
beispielsweise die in den Kontaktinformationen enthaltenen Namen
ohne Interaktion des Nutzers in das Vokabular übernommen werden. Gleicherweise
können
neue Wörter
aus anderen Textquellen, wie zum Beispiel aus versendeten E-Mails des
Nutzers, aus vom Nutzer erstellten Dokumenten und aus Dokumenten
im Ordner „Meine
Dateien" des Nutzers,
ohne Interaktion des Nutzers in das Vokabular eingeschrieben werden.
Für Wörter, die
dem Vokabular hinzugefügt
wurden, kann das System mit Hilfe der Punktuationsbestimmung die
Aussprache der Wörter
ermitteln. Alternativ dazu kann das System die Aussprache der neuen
Wörter
dadurch bestimmen, dass es den Nutzer dazu auffordert, die neuen
Wörter
auszusprechen.
-
In
einer weiteren Realisierungsform können die abgerufenen Wörter, die
gescannt und als neue Wörter
ermittelt wurden, dem Nutzer zur Anzeige gebracht werden. Der Nutzer
kann dazu aufgefordert werden, die für die Übernahme ins Vokabular bestimmten
Wörter
auszuwählen.
-
In
einer beispielhaften Realisierungsform kann die Dauer des Prozesses 300 eingeschränkt werden. Beispielsweise
kann der Prozess 300 auf eine maximale Zeitdauer eingestellt
werden (z. B. dreißig
Minuten). Wenn der Prozess 300 bei Ablauf des eingestellten
Zeitlimits noch nicht abgeschlossen ist, werden die bis zu diesem
Zeitpunkt erhaltenen Prozessergebnisse abgespeichert und der Prozess
wird beendet. Die Zeiteinschränkung
kann verwendet werden, um die Zeitdauer einzuschränken, in
der der Rechner eines Nutzers eventuell nicht verfügbar ist.
Der Prozess 300 kann auch so konfiguriert werden, dass
er im Hintergrund abläuft.
-
In
einer anderen beispielhaften Realisierungsform kann der Rohtext,
der aus der identifizierten Textquelle abgerufen wird, mengenmäßig eingeschränkt werden.
Beispielsweise kann für
den Text eine Obergrenze eingestellt werden (z. B. ein Megabyte),
so dass der Prozess nur bis zu diesem Mengenlimit läuft.
-
In
einer beispielhaften Realisierungsform kann jeder Nutzer mehrere
Vokabulare haben. Der Prozess 300 kann einmalig ausgeführt werden
und die erhaltenen Wortzählungen
aus dem abgerufenen Text können auf
jedes der verschiedenen Vokabulare angewendet werden. Zusätzlich oder
alternativ dazu kann der Prozess 300 für jedes Vokabular ausgeführt werden.
-
Die
Spracherkennungsleistung kann erheblich verbessert werden, wenn
das Sprachmodell gut auf den diktierten Text abgestimmt wird. Der
automatisierte Aspekt des Prozesses 300 gestattet dem Nutzer
einen problemloseren Aufbau eines nutzerbezogenen Sprachmodells,
indem Textquellen, die vermutlich gut mit dem von einem speziellen
Nutzer erstellten Text übereinstimmen,
ohne Eingreifen des Nutzers lokalisiert werden. Die Wahrscheinlichkeit,
dass ein Nutzer ein Sprachmodell aufbaut, ist geringer, wenn der
Nutzer dazu mehrere Schritte ausführen muss. Beispielsweise kann
es für
den Nutzer mühselig
und nicht unbedingt effizient sein, wenn er Textquellen lokalisieren,
identifizieren und für
den Aufbau eines Sprachmodells vorlegen soll. Eine andere Mühe kann
darin bestehen, dass der Nutzer nach erfolgter Lokalisierung, Identifizierung
und Vorlage von Textquellen sich an anschließenden Interaktionen beteiligen
muss, wie beispielsweise Auswahl oder Bestätigung von Wörtern aus
dem vorgelegten Text, die in das Sprachmodell und/oder ins Vokabular
zu übernehmen sind.
-
Die
beschriebenen Systeme, Methoden und Techniken können in digitaler und/oder
analoger Elektronikschaltung, Hardware, Firmware, Software oder
in Kombinationen dieser Elemente realisiert werden. Vorrichtungen
zur Realisierung dieser Techniken können geeignete Eingabe- und
Ausgabegeräte,
einen Computer-Prozessor und ein Computerprogramm-Produkt enthalten,
das zwecks Ausführung
durch einen programmierbaren Prozessor in einem maschinenlesbaren
Speichergerät
materiell integriert ist. Ein diese Techniken verkörperndes
Verfahren kann durch einen programmierbaren Prozessor realisiert
werden, der ein Programm von Anweisungen ausführt, demzufolge gewünschte Funktionen
durch Betrieb nach Eingabedaten bei Erzeugung einer entsprechenden
Ausgabe auszuführen
sind. Die Techniken können
in einem oder mehreren Computerprogrammen realisiert werden, die
in einem programmierbaren System ausführbar sind, das mindestens einen
programmierbaren Prozessor beinhaltet, der so angeschlossen ist,
dass er Daten und Anweisungen von einem Datenspeichersystem, wenigstens
einem Eingabegerät
und wenigstens einem Ausgabegerät
empfängt bzw.
dorthin sendet. Jedes Computerprogramm kann in einer höheren prozeduralen
oder objektorientierten Programmiersprache oder nach Wunsch in Assemblersprache
oder Maschinensprache realisiert werden; und die Sprache kann auf
jeden Fall eine kompilierte oder interpretierte Sprache sein. Zu
geeigneten Prozessoren gehören
beispielsweise sowohl allgemeine als auch zweckgebundene Mikroprozessoren.
Im Allgemeinen erhält
ein Prozessor Anweisungen und Daten aus einem Festspeicher (ROM)
und/oder einem Direktzugriffsspeicher (RAM). Geeignete Speichergeräte zur materiellen
Realisierung von Computerprogrammdaten und -anweisungen sind alle
Formen nichtflüchtiger
Speicher, darunter beispielsweise Halbleiterspeichergeräte wie EPROM
(Erasable Programmable Read-Only Memory, EEPROM (Electrically Erasable
Programmable Read-Only Memory) und Flash-Speichergeräte; Magnetplattenspeicher wie
interne Festplatten und Wechselplatten; magnetooptische Speichermedien;
und CD-ROM (Compact Disc Read-Only Memory). Alle vorgenannten Speichergeräte können durch
speziell entworfene anwendungsspezifische integrierte Schaltungen (ASICs)
ergänzt
oder in solche eingebaut werden.
-
Es
versteht sich, dass verschiedene Modifikationen möglich sind,
ohne vom Umfang der Patentansprüche
abzuweichen. Beispielsweise könnten
auch dann noch vorteilhafte Ergebnisse erzielt werden, wenn Verfahrensschritte
der offenbarten Techniken in einer anderen Reihenfolge durchgeführt und/oder
Komponenten in den offenbarten System in anderer Art kombiniert
und/oder ersetzt und/oder durch andere Komponenten ergänzt würden. Dementsprechend
sind andere Realisierungsformen im Umfang der folgenden Ansprüche mit enthalten.
Der Umfang der Erfindung soll allein durch diese Ansprüche begrenzt
werden. Fig. 1
| 108 | Anzeigegerät |
| 128 | Digitaler
Port |
| 132 | Festplattenlaufwerk |
| 118 | Speicher |
| 120 | Betriebssystem |
| 122 | Anwendungsprogramm |
| 124 | Spracherkennungssoftware |
| 114 | E/A-Einheit |
| 116 | Soundkarte |
| 112 | CPU |
| 126 | Analoger
Port |
Fig. 2
| 205 | Digitale
Samples |
| 200 | Frontend-Bearbeitungsmodul |
| 210 | Parameter-Frames |
| 220 | Steuer/Schnittstellen-Modul |
| control | Steuerung |
| recognition
candidates | Erkennungskandidaten |
| 215 | Spracherkenner |
| requests | Anfragen |
| lattice
of words | Wortgitter |
| 240 | Vorfilterungsprozedur |
| 230 | Aktives
Vokabular |
| 235 | Akustische
Modelle |
| 225 | Constraint-Grammatiken |
| 245 | Backup-Wörterbuch |
Fig. 3
| 310 | Identifizierung
einer nutzerbezogenen Textquelle ohne Interaktion des Nutzers |
| 320 | Abrufen
von Text aus der ohne Interaktion des Nutzers identifizierten Textquelle |
| 330 | Aufbau
eines nutzerbezogenen Sprachmodells aus dem abgerufenen Text |