TW514867B - Method and apparatus for constructing voice templates for a speaker-independent voice recognition system - Google Patents

Description

514867 A7 B7 五、發明説明（i ) 發明背景 I. 發明範疇： 本發明一般而言係關於通訊範疇，更特定而言，係關於 與演説者無關的語音辨識系統的語音樣板。 II. 背景： 語音辨識（VR)代表賜與機器模擬的智慧來辨識使用者或 使用者語音指令，並便於與該機器的人機介面之最重要的 技術之一。VR也代表人類説話瞭解的關键技術。使用技 術來由一聲音説話信號還原一語言訊息的系統即稱之爲語 音辨識器。此處所使用的該名詞”語音辨識器”通常代表任 何説話使用者介面致能的裝置。一語音辨識器通常包含一 聲音處理器及一字元解碼器。該聲音處理器擷取一系列的 包含資訊的特徵或向量，其必須來達到進入的原始演説的 VR。該字元解碼器解碼該特徵或向量的序列來產生一有 意義及所需要的輸出格式，例如對應於該輸入發音的一系 列語言字元。 該聲音處理器代表一語音辨識器中的前端演説分析子系 統。回應於一輸入演説信號，該聲音處理器提供一適當的 代表來特徵化該隨時間變化的演説信號。該聲音處理器必 須捨棄不相關的資訊，例如背景雜訊，通道失眞，擴音器 特性，及演説方式等。有效率的聲音處理可使得語音辨識 器具有加強的聲音分辨能力。目前爲止，要分析的一有用 特徵爲該短時間頻譜外形。兩種常用的頻譜分析技術來特 徵化該短時間頻譜外形爲線性預測編碼（LPC)及濾波器庫 本紙張尺度適用中國國家標準(CNS) A4規格(210 X 297公釐)

裝 •缘 514867 A7 B7 五、發明説明（2 ) 爲主的頻譜模型化。範例性LPC技術係描述於美國專利編 號5,414,796中，其授權給本發明的受讓人，在此完全引 用做爲參考，以及L.B. Rabiner及R.W. Schafer所著的 Digital Processing of Speech Signals 396-453 (1978)，其也在此 完全引用做爲參考。 VR的使用（通常也稱之爲speech recognition )，爲了安全 的理由而日漸重要。舉例而言，VR可用來取代無線電話 鍵盤的人爲按鈕動作。此係特別地有用，當使用者在開車 時要撥打電話時。當使用沒有VR的電話時，該駕駛者必 須由駕駛盤移出一隻手，並注視著鍵盤來按鈕及撥打電 話。這些動作增加了車禍的可能性。一種語音啓動電話 (及没计有语音辨識的電話）’其將允許該駕驶者來撥打電 話，而仍可注視著前方道路。一種車用免持聽筒系統可額 外地允許駕駛者來在打電話時成維持雙手在方向盤上。 語音辨識裝置可分類成演説者相關（SD)或演説者無關（SI) 之裝置。擴晉器相關裝置較爲常見，其被訓練爲辨識來自 特殊使用者的指令。相反地，擴音器無關裝置能夠接受來 自任何使用者的聲音指令。爲了增加_給定的VR系統之 效能’不論是演説者相關或演説者無關，皆需要訓練來建 立該系統有效的參數。換言之，該系統需要在其最佳化運 作之前來學習。 一演説者相關VR裝置基本上以兩個階段運作，即訓練 階段及辨識階段。在訓練階段中，該VR系統提示使用者 説出系統同彙中的字元一次或兩次（基本上爲兩次），所以 — -5 - 本紙張尺度適用中國國家榡準(CNS) A4規格(21〇 X 297公釐） 514867 A7 ____B7 五、發明説明~" —— 該系統可學習到使用者對這些特殊字元或片語的語音特 性。對於一車用免持聽筒的範例詞彙可包含鍵盤上的數 竽；關键字’·打電話”傳送”，”撥號"，，，取消，，，，，清除 加人"，"刪除"，"歷史"，”程式”，"是"及π否、及 經常撥打的同事，朋友或親人之預先定義號碼的名字。一 旦完成訓練，該使用者可説出該訓練過的字元來在辨識階 段啓始打電話，而VR裝置藉由比較説出的發音與先前訓 練的發音（儲存爲樣板），並採用最佳的匹配來辨識。舉例 而言，如果名字”John”爲訓練的名字之一，該使用者可藉 由説出片語"Call John”來啓始打電話給J〇hn。該VR系统可 辨識字元”Call，，及” John”，並可撥出該使用者先前輸入的 J 〇 h η的電活號碼。此即爲訓練的系統及方法。 一演説者無關的VR裝置也使用一訓練樣板，其包含一 預先足義尺寸的預錄詞彙（如某些控制字元，由〇到9的 數字，是及否）。大量的演説者（如1〇〇)必須錄製説出詞彙 中的每個字元。 習用上，演説者無關的VR樣板係由比較包含由第一組 演説者（基本上100名演説者）所說出的字元之測試資料庫 與包含由第二組演説者（與第一組同樣多）説出相同字元的 一訓練資料庫。一字元，由一使用者説出，其基本上稱之 爲一發晋。每個该訓練資料庫的發音係先經過時間正規 化，然後在測試與孩測試資料庫的發音之收斂性之前被量 化（基本上係根據已知的技術來向量量化）。但是，落時間 正規化技術依賴僅由個別訊框（一發音的週期性段落）得到 -6 - A7 B7 五、發明説明（ 的貝訊，其具有與先前訊框的最大差異。其較佳地是來提 供一万法來使用一給定發音中更多的資訊來構建演説者無 關的VR樣板心方法。其進一步需要來增加根據發音形式 來構建演説者無關的VR樣板之習用技術的準確性或收斂 性。因此，其有需要一種方法來建構演説者無關的語音辨 識樣板，其提供加強的準確性，並使用該發音中的較大量 的資訊。 發明概要 本發明係關於一種建構演説者無關的語音辨識樣板之方 法’其提供加強的準確性及使用該發音中較大量的資訊。 因此，在本發明的一方面中，其提供一種產生説話樣板的 方法’用於一演説者無關的語音辨識系統。該方法較佳地 疋包含分段每個一第一複數個發音之發音來對每個發音產 生複數個時間叢集的段落，每個時間叢集化的段落係由一 頻瑨平均値來代表；量化所有該第一複數個發音的該複數 個頻譜平均來產生複數個樣板向量；比較該複數個樣板向 里與一第二複數個發音的每一個來產生至少一個比較結 果’匹配涊第一複數個發音與該複數個樣板向量，如果該 •^少一個比較結果超過至少一個預定的臨限値，以產生一 最佳化匹配路徑結果；根據該最佳化匹配路徑結果在時間 中區隔化孫第一複數個發音；並重複該量化，比較，匹配 及區隔化，直到該至少一個比較結果並未超過任何至少— 個預定的臨限値。 圖式簡單説明

裝 訂

A7 B7 五、發明説明（5 ) 圖1所示爲用於建構及實施演説者無關的語音辨識之語 “樣板的系統方塊圖。 圖2所示爲可用於圖1的系統中之語音辨識系統的方塊 圖。 圖3所示爲由一語晋辨識子系統，例如圖2的子系統， 所執行方法的流程圖，藉以辨識輸入語音樣本。 圖4所示爲可用於圖1的系統之樣板建構子系統的方塊 圖。 圖5所示爲可用於圖i的系統之樣板建構子系統的方塊 圖。 圖

音樣板。 6所示爲由一樣板建構子系統，例如圖4的子系統或 的子系統，所執行的方法步驟之流程圖，用以建構語 車父佳具體實施例之詳細説明 根據一具體實施例’ ^圖"斤示，一用以建構及實施演 說者無關的語音辨識之語音樣板的系統10 ，其包含一演 死者無關樣板建構子系統12及—語音辨識子系統14。該 演說者無關樣板建構子系統12係結合於該語音辨識子系 統14 〇 々説者…、關浯音樣板係由該演說者無關樣板建構子系統 所建構，如下述圖4_6。該樣板係提供給該語音辨識子 ^ 來用於辨識來自一使用者的輸入語音，如下述之 一語音辨識子系統 根據一具體實施例，如圖2所示 本紙張尺歧 514867 A7 B7 五、發明説明（6 ) 100包含一類比到數位轉換器（A/D) 102 ，一前端聲音處理 器104，一特徵擷取器106，一語音樣板資料庫108，圖樣 比較邏輯110，及決策邏輯112。在一特殊具體實施例 中，該聲音處理器104及該特徵擷取器106係實施成一個 裝置，例如一參數擷取器。在一具體實施例中，該聲音處 理器104包含一頻率分析模組114。在一具體實施例中， 該特徵擷取器106包含一終點偵測器116，一時間叢集語 音分段模組118，及一語音位準正規化器120。 該A/D 102係耦合於該聲音處理器104。該聲音處理器 104係耦合於該特徵擷取器106。在一具體實施例中，該 特徵擷取器106内，該終點偵測器116係耦合於該時間叢 集語音分段模組118，其耦合於該振幅量化器120。該特 徵擷取器106耦合於該圖樣比較邏輯110。該圖樣比較邏 輯110耦合於該樣板資料庫108及該決策邏輯112。 該語音辨識子系統100可存在於像是無線電話或一車用 免持聽筒。一使用者（未示出）説出一字元或片語，即產生 一語音信號。該語音信號即利用一習用的換能器（未示出） 來轉換到一電子語音信號s(t)。該語音信號s(t)即提供給 A/D 102 ，其根據一已知的取樣方法，例如像是脈衝編碼 調變（PCM)，A-法則或# -法則來轉換該語音信號到數位 化的語音樣本s(n)。 該語音樣本vs(n)係提供給該聲音處理器104來決定參 數。該聲音處理器104產生一組參數，其模型化該輸入語 音信號s(t)的特徵。該參數可根據任何已知的一些語音參 _-_9-_ 本紙張尺度適用中國國家標準(CNS) A4規格(210 X 297公釐） 514867 A7 ____B7_._ 五、發明説明（7 ) 數決定技術來決定，其包含像是語音編碼器編碼，離散傅 立葉轉換（DFT)爲主的頻譜係數（如快速傅立葉轉換（FFT) 爲主的頻譜係數），線性預測係數（LPCTs)，或巴克等級分 析，如前述美國專利編號5,414,796 ，及Lawrence Rabiner 及 Biing-Hwang Juang 所著 Fundamentals of Speech Recognition (1993)中所述。該組參數較佳地是爲以訊框爲主（分段成週 期性訊框）。該聲音處理器104可實施爲一數位信號處理 器（DSP)。該DSP可包含一語音編碼器。另外，該聲音處 理器1 〇4可實施爲一語音編碼器。 每個參數訊框即提供給該特徵擷取器106。在該特徵擷 取器106中，該終點偵測器116使用該擷取的參數來偵測 一發音（即一字元）的終點。在一具體實施例中，該終點偵 測較佳地是根據美國專利申請編號09/246,414中所述的原 理來進行，其於1999年2月8日立案，名爲”在有雜訊之 下準確地找出語音終點的方法及裝置”（"METHOD AND APPARATUS FOR ACCURATE ENDPOINTING OF SPEECH IN THE PRESENCE OF NOISE")，其授權給本發明的受讓人， 在此完全引用做爲參考。根據此技術，該發音係相較於一 第一臨限値，例如像是一信號對雜訊比（SNR)臨限値，以 決定該發音的一第一啓始點及一第一終止點。在該第一啓 始點之前的該發音的一部份即與一第二SNR臨限値比較， 以決定該發音的一第二啓始點。在該第一終止點之後之該 發音係與第二SNR臨界値比較，以決定該發音之第二終 止點。該第一及第二SNR臨限値較佳地是週期性地重新計 -10- 本紙張尺度適用中國國家標準(CNS) A4規格(210 X 297公釐） 514867 A7 B7 五了發明説明（8~~) ' " 算，而該第一 SNR臨限値較佳地是超過該第二SNR臨限 値。 該偵測的發音之頻率領域參數的訊框係提供給該時間叢 集語音分段模組118，其根據一具體實施例而實施一壓縮 技術，其述於美國專利申請編號09/225,891 ，於1999年1 月4日提案，名爲”語音信號的分段及辨識之系統及方法 "("SYSTEM AND METHOD FOR SEGMENTATION AND RECOGNITION OF SPEECH SIGNALS")，其授權給本發明的 受讓人，在此完全引用做爲參考。根據此技術，該頻率領 域參數中的每個語音訊框係以關於該語音訊框的至少一個 頻譜値來代表。然後一頻譜差異値即對每對相鄰的訊框來 決定。該頻譜差異値代表關於該配對中兩個訊框的頻譜値 之間的差異。一初始叢集邊界係設定在每對相鄰訊框之 間，產生參數中的叢集，及將一變化値指定給每個叢集。 該變化値較佳地是等於該決定的頻譜差異値之一。然後計 算複數個叢集結合參數，每個該叢集結合參數係關於一對 相鄰的叢集。一最小的叢集結合參數係選自複數個叢集結 合參數。然後一結合的叢集即由取消關於該最小叢集結合 參數的該叢集之間的叢集邊界來形成。該結合的變化値代 表指定給關於該最小叢集結合參數的該叢集之變化値。該 處理較佳地是重複進行，藉以形成複數個結合的叢集，且 該分段的語音信號可較佳地是根據該複數個結合的叢集來 形成。 本技藝的專業人士將可暸解，該時間叢集語音分段模組 一 -11- 本紙張尺度適用中國國家襟準(CNS) A4規格(2i〇X297公釐） 514867 A7 B7 五、發明説明（ 118可由其它裝置來取代，例如像是一時間正規化模組。 但是，專業人士亦可瞭解到，因爲該時間叢集語音分段模 組118結合具有最小差異的訊框成爲叢集，其係相較於先 前的訊框，並使用平均値而非個別的訊框，該時間叢集# 音分段模組118使用該處理的發音中更多的資訊。其亦可 瞭解到，該時間叢集語音分段模組118較佳地是配合圖樣 比較邏輯110來使用，其利用本技藝中所熟知的動態時間 扭曲（DTW)，如下所述。 該叢集平均係提供給該語音位準正規化器12〇。在一具 體實施例中，該語音位準正規化器120藉由指定給每個叢 集平均每個通道兩個位元來量化該語音振幅（即每個頻率 兩個位元）。在另一具體實施例中，其中頻譜係數被擷 取，該語音位準正規化器120並未用於量化該叢集平均， 其爲專業人士所能瞭解。由該語音位準正規化器12〇所產 生的輸出係由該特徵擷取器106提供給該圖樣比較邏輯 110 〇 琢語晋辨識子系統100的所有詞彙字元的一組樣板係永 久地儲存在該樣板資料庫108。該組樣板較佳地是爲一組 演說者無關的樣板，其以如下所述的一演説者無關的樣板 建構子系統所建構。該樣板資料庫108較佳地是由任何習 用的非揮發性媒體形式來實施，例如像是快閃記憶體。此 允許孩樣板來保持在該樣板資料庫108中，當該語音辨識 子系統100的電源被關掉時。 涊圖樣比較邏輯110比較來自該特徵擷取器1〇6的向量

裝 訂

514867 A7 B7 五、發明説明（K)) 與儲存在樣板資料庫108中的所有樣板。在該向量與所有 儲存在樣板資料庫108中的樣板之間的比較結果或距離將 提供給該決策邏輯112。該決策邏輯112自該樣板資料庫 108中選出最爲匹配該向量的樣板。另外，該決策邏輯112 可使用一習用的π Ν-最佳”選擇演算法，其在一預定的匹 配臨限値之内選出Ν個最接近的匹配。然後該使用者即被 詢問是要那一個選擇。該決策邏輯112的輸出爲在該詞彙 中決定出所説的字元。 在一具體實施例中，該圖樣比較邏輯110及該決策邏輯 112使用一 DTW技術來測試收斂性。該DTW技術在本技藝 中爲人所熟知，並述於Lawrence Rabiner及Biing-Hwang Juang 户斤著白勺 Fundamentals of Speech Recognition 200-238 (1993)。其在此完全引用做爲參考。根據該DTW技術，一 格架由繪出要測試的該發音的一時間序列，對於儲存在該 樣板資料庫108中的每個發音之時間序列所形成。然後正 在測試的發音即與該樣板資料庫108中的每個發音進行比 較，點對點方式（例如每10 ms )，一次一個發音。對於樣 板資料庫108中的每個發音，正在測試的發音被調整或 ”扭曲”在時間中，其係在特殊的點被壓縮或擴張，直到達 到與該樣板資料庫108中的發音最可能接近的匹配。在時 間中的每個點上，該兩個發音進行比較，其爲在該點（零 成本）宣告匹配，或宣告一不匹配。在一特殊點上的一不 匹配的事件中，正在測試的發音即被壓縮，擴張，或如果 需要的話被錯配。該處理一直持續到該兩個發音已經彼此 _- 13-_ 本紙張尺度適用中國國家標準(CNS) A4規格(210 X 297公釐） 514867 A7 B7 11 五、發明説明（ 几王地比較過。其有可能爲大量（典型會有數千）的不同調 整的發音。該調整的發音具有最低成本的函數（即需要最 少量的壓縮及/或擴張及/或錯配）被選出。以類似於Viterbi 解碼演算法的方^，該選擇較佳地是由重新回顧該樣板資 料庫108中的發音之每個點來進行，藉以決定具有最低整 體成本的路徑。此允許該最低成本（即最爲匹配）的調整過 發音，可以不需要重新排序產生每個不同調整的發音之所 有可能之”強制"方法而決定出來。然後對於該樣板資料庫 108中所有發音之該最低成本調整的發音即被比較，其中 具有最低成本者即被選爲該儲存的發音中最爲接近匹配於 該測試的發音。 該圖樣比較邏輯11G及該決策邏輯112可較佳地實施爲 一微處理器。菽語晋辨識子系統100可爲像是一 ASIC。該 語音辨識子系統100的辨識準確性爲該語音辨識子系統 削如何正確地辨識出該詞彙中説出的字元或片語之度 量。舉例而言，- 95%辨識準確性代表該語音辨識子系統 100可正確地在1〇〇次中辨識出該詞彙中的字元以％次。 根據-具體實施例，-語音辨識子系統（未示出）執行圖 3所示的流程圖中的演算法步驟，以辨識語音輸入到_音五 音辨識子系統。在步驟巾，其提供輸人語音到該語音 辨識子系統。然後控制流進行到步驟2〇2。在步驟2〇2 中，即偵測出一發音的終點。在一特殊具體實施例：，該 發音的該終點係根據上述的美國專利中請編號_46,414 中所提充的技術來偵測，如上述配合圖2的控制流，即進 -14- 本紙張尺度適用巾@國家標準(CNS) A4規格(⑽χ挪公爱） 514867 A7 B7 五、發明説明（12 ) 行到步驟204。 在步驟204中，在該擷取的發音中執行時間叢集語音分 段。在一特殊具體實施例中，所使用的該時間叢集語音分 段技術即爲先前美國專利申請編號09/225^91中所述的技 術，如圖2中所述。然後控制流進行到步骤208。在步驟 206中，係提供演説者無關的樣板來匹配於在步驟204中 所產生的該語骨叢集平均。該演説者無關樣板較佳地是根 據下述參考圖4-6的技術所建構。然後控制流進行到步驟 208。在步驟208中，在一特殊發音的叢集與所有該演說 者無關的樣板之間進行一 DTW匹配，且該最接近的匹配 樣板被選爲該辨識的發音。在一特殊具體實施例中，該 DTW 匹配係根據 Lawrence Rabiner 及 Biing-Hwang Juang 所著 Fundamentals of Speech Recognition 200-238 (1993)中所述的技 術來進行，其如圖2所示。本技藝的專業人士可以瞭解 到，除了時間叢集語音分段之外的方法亦可在步驟204中 執行。這種方法包含像是時間正規化。 根據一具體實施例，如圖4所示，一演說者無關的樣板 建構子系統300包含一處理器302及一儲存媒體304。該處 理器100較佳地是爲一微處理器，但可爲任何習用種類的 處理器，專屬處理器，數位信號處理器（DSP)，控制器或 狀態機器。該處理器302耦合於該儲存媒體304，其較佳 地是實施爲快閃記憶體，EEPR0M記憶體，RAM記憶體， 設定用來保持韌體指令的ROM記憶體，執行在該處理器 302上的一軟體模組，或任何其它習用種類的記憶體。該 _ 15 - 本紙張尺度適用中國國家標準(CNS) A4規格(210X297公釐）

裝 514867 A7 B7 五、發明説明（13 ) 演説者無關的樣板建構子系統300較佳地是實施爲執行 UNIX⑧作業系統電腦。在另一具體實施例中，該儲存媒體 304可爲板上的RAM記憶體，或該處理器302及該儲存媒 體304可存在於一 ASIC。在一具體實施例中，該處理器 302係用來執行包含於該儲存媒體304的一組指令，用以 執行演算法步驟，例如下述參考圖6的步驟。 根據另一具體實施例，如圖5所示，一演説者無關的樣 板建構子系統400包含一終點偵測器402，時間叢集語音 分段邏輯404，一向量量化器406，一收斂測試器408，及 K値平均語音分段邏輯410。一控制處理器（未示出）可較 佳地是用來控制該演説者無關的樣板建構子系統400所執 行的遞迴數目。 該終點偵測器402係耦合於該時間叢集語音分段邏輯 404。該時間叢集語音分段邏輯404係耦合於該向量量化 器406。該向量量化器406係耦合於該收斂測試器408，及 該K値平均語音分段邏輯410。該控制處理器較佳地是經 由一控制匯流排（未示出）而耦合於該終點偵測器402，該 時間叢集語音分段邏輯404，該向量量化器406，該收斂 測試器408，及該K値平均語音分段邏輯410。 要被訓練的一發音訓練樣本Sx(n)係提供在訊框中給該 終點偵測器402。該訓練樣本較佳地是由一訓練資料庫 (未示出）所提供，其中要訓練的發音被儲存。終點偵測器 402偵測發音之啓始點及終止點。在一具體實施例中，該 訓練資料庫包含100個字元，每個皆由100個不同的演説 _- 16-_ 本紙張尺度適用中國國家標準(CNS) A4規格(210X297公釐）

裝 蒙 514867 A7 B7 五、發明説明（14 ) 者説出，而得到總共10,000個儲存的發音。在一具體實施 例中，該終點偵測器402係根據前述美國專利申請編號 09/246,414中所述的原理來運作，並參考上述圖2。 該終點偵測器402提供該偵測的發音到該時間叢集語音 分段邏輯404。該時間叢集語音分段邏輯404在該偵測的 發音上執行一壓縮演算法。在一具體實施例中，該時間叢 集語音分段邏輯404係根據前述美國專利申請編號 09/225,891中所述的原理來運作，並參考上述圖2 。在一 具體實施例中，該時間叢集語音分段邏輯404壓縮該偵測 的發音成二十個段落，每個段落包含一叢集平均。 該時間叢集語音分段邏輯404提供一給定字元的所有訓 練發音的該叢集平均到該向量量化器406。該向量量化器 406量化該發音的該叢集平均（即對於相同字元的所有演説 者），並提供所得到的向量做爲該發音的可能演説者無關 (SI)樣板給該收斂性測試器408。該向量量化器406較佳地 是根據任何許多已知的向量量化（VQ)技術來運作。不同的 VQ技術係説明在像是 A. Gersho及R.M. Gray所著 Quantization and Signal Compression (1992)。在一特殊具體實 施例中，該向量量化器406產生四叢集向量。因此，例如 每個段落係序列化提供給該向量量化器406，其代表每個 段落成爲四個叢集。每個叢集代表該特殊字元的每個演説 者，且每個字元有數個叢集。根據一具體實施例，每個樣 板有8個向量（4個叢集乘以20個段落）。 該敎斂測試器408比較該潛在的SI樣板與要測試的發音 _- 17-_ 本紙張尺度適用中國國家標準(CNS) A4規格(210X 297公釐） 514867 A7 B7 五、發明説明（15 ) 之測試樣本Sy(n)。該測試樣本係以訊框提供給該收敛測 試器408。該測試樣本較佳地是由一測試資料庫（未示出） 來提供，其中儲存有要測試的發音。在一具體實施例中， 該測試資料庫包含1〇〇個字元，每個係由100個不同的演 説者來説出，成爲總共10,000個儲存的發音。該字元較佳 地是與包含在訓練資料庫中爲相同的字元，但由100個不 同的演説者説出。該收斂測試器408比較要訓練的發音之 潛在的SI樣板，與要測試的發音之樣本。在一具體實施例 中，該收斂測試器408係用來使用一 DTW演算法來測試收 斂性。該使用的DTW演算法較佳地是爲描述在Lawrence Rabiner 及 Biing-Hwang Juang 户斤著的 Fundamentals of Speech Recognition 200-238 (1993)及上述的圖 2 中。 在一具體實施例中，該收斂測試器408係用來分析資料 庫中所有字元的結果之準確性及具有潛在的SI樣板的資料 庫之變化。該變化先被檢查，而如果該變化低於一預定的 臨限値時，該準確性即被檢查。該變化較佳地是對每個段 落來計算，然後加總來產生一整體的變化値。在一特殊具 體實施例中，該變化係由計算該4個叢集的最佳匹配的均 方根誤差來得到。該均方根誤差技術爲本技藝中所熟知。 該收斂性測試被定義爲準確，如果來自該測試資料庫的發 音匹配於由該訓練資料庫所產生的潛在SI樣板（即如果辨 識對於該資料庫中所有字元爲正確的話）。 該潛在的SI樣板也可由該向量量化器406提供給該K値 平均語音分段邏輯410。該K値平均語音分段邏輯410也 _-18-_ 本紙張尺度適用中國國家標準(CNS) A4規格(210X 297公釐） 514867 A7 B7 五、發明説明（16 ) 接收該訓練樣本，其較佳地是區隔成訊框。在該收敛性測 試器408已執行第一收斂性測試之後，該變化或準確性的 結果可低於該變化及準確性的預定臨限値。在一具體實施 例中，如果該變化或準確性的結果低於該變化及準確性的 預定臨限値時，即執行另一個遞迴。因此，該控制處理器 指示該K値平均語音分段邏輯410來對該訓練樣本執行K 値平均分段化，藉以產生如下述的分段語音訊框。根據該 K値平均語音分段化，該訓練樣本係匹配於該潛在的SI樣 本，較佳地是以一 DTW技術，藉此產生如上述圖2之最 佳路徑。然後該訓練樣本即根據該最佳路徑被分段化。舉 例而言，該訓練樣本的前5個訊框可匹配於該可能SI樣板 的第一訊框，接下來的3個訓練樣本的訊框可匹配於該可 能SI樣板的第二訊框，而該訓練樣本的下10個訊框可匹 配於該潛在的SI樣板的第三訊框。在此例中，該訓練樣本 的前5個訊框將被分段成一個訊框，下三個訊框則被分段 成一第二訊框，而下10個訊框將被分段成一第三訊框。 在一具體實施例中，該K値平均語音分段邏輯4 1 0根據 一範例性K値平均分段技術來執行該K値平均分段化， 該技術描述於 Lawrence Rabiner 及 Biing-Hwang Juang 所著 Fundamentals of Speech Recognition 382-384 (1993)，其在此完 全引用做爲參考。然後該K値平均語音分段邏輯410即提 供該更新的叢集平均的訊框到該向量量化器406，該向量 量化器量化該叢集平均，並提供該結果向量（其包含新的 潛在SI樣板）到該收斂性測試器408，以執行另一個收斂 _- 19-_ 本紙張尺度適用中國國家標準(CNS) Α4規格(210X297公釐） 514867 五、發明説明（17 A7 B7

性測試。本技藝的一專業人士將可瞭解到此遞迴處理可依 需要持續到達成在該預定臨限値之上的變化及準確性辞 果。 、’ 一旦该收斂性測試通過，該潛在的（現在爲最終的）SI 樣板可較佳地用於一語音辨識子系統，例如圖2的語音辨 識子系統。該最終的S][樣板將可儲存在圖2的樣板資料庫 108中’或用於圖3的流程圖中的步驟2〇6。 在一具體實施例中，一演説者無關樣板建構子系統（未 示出）執行示於圖6的流程圖中的方法步驟，以建構一發 音的演説者無關的樣板。在步驟5〇〇中，一發音的訓練樣本係由一訓練資料庫獲得（未示出）。該訓練資料庫較佳地 疋包含大量的字元（如100個字元），每個皆由大量的演説 者説出（如每個字元100個演説者）。然後控制流進行到步 驟 502 〇 在步驟502中，對於訓練樣本執行終點偵測，以偵測一 發骨。在一具體實施例中，該終點偵測係根據前述的美國 專利申請編號〇9/246,414所述的技術執行，並參考上圖 2。然後控制流進行到步驟504。 在步驟5〇4巾，時間叢集語音分段係對制的發音來執 行，藉此壓縮該發音成數個段落，每個段落由一平均來代 表。在一特殊具體實施例中，該發音係壓縮成2〇個段 落，每個段落包含-叢集平均。在一具體實施例中，該時 間叢集語音分段係根據前述的美國專利申請編號 随25,891所述的技術執行，並參考上圖2。然後控制流

裝 訂

514867 A7 B7 五、發明説明（18 ) 進行到步驟506。 在步驟506中，該相同字元的所有演説者的訓練樣本的 叢集平均皆爲向量量化。在特殊具體實施例中，該叢集平 均係根據描述於 A. Gersho及R.M. Gray 所華 Vector Quantization and Signal Compression (1992)中的許多已知技術 中的一個來向量量化。在一特殊具體實施例中，產生4叢 集向量。因此，例如每個段落係由4個叢集來代表。每個 叢集代表該特殊字元的每個演説者，且每個字元有多個叢 集。根據一具體實施例，每個樣板產生80個向量（4個叢 集乘以20個段落）。然後控制流進行到步驟510。 在步驟508中，測試樣本由一測試資料庫（未示出）得 到，以測試收敛性。該測試資料庫較佳地是包含在該訓練 資料庫中含有的相同字元，其每個皆由大量的演説者所説 出（例如每個發音有100個演説者）。然後控制流進行到步 驟 510 〇 在步驟510中，該量化的向量係以潛在的SI樣板與該測 試樣本來比較，以測試收斂性。在一具體實施例中，該收 斂性測試爲一 DTW演算法。該使用的DTW演算法可較佳 i也爲 Lawrence Rabiner 及 Biing-Hwang Juang 户斤著的 Fundamentals of Speech Recognition 200-238 (1993)所述，並參 考上圖2。 在一具體實施例中，步驟510的收斂性測試分析所有資 料庫中字位的結果之準確性及具有潛在SI樣板的資料庫之 變化。該變化先被檢查，且如果該變化低於一預定的臨限 _-21^_ 本紙張尺度適用中國國家標準(CNS) A4規格(210 X 297公釐） 514867 A7 B7 五、發明説明（19 ) 値時，該準確性即被檢查。該變化 G奴佳地是以每個段落來 計算，然後被加總來產生一整體的 欠化値。在一特殊具體 實施例中，該變化係由計算該4個叢隹 泉木:的取佳匹配的均方 根來取得。該均方根技術在本技藝巾所熟知。該收斂性測 試在由該測試資料庫產生的該可能SI樣板匹配於來自該訓 練資料庫的該發音時’被定義爲準確(即如果辨識對於所 有孩資料庫中的字元爲正確）^然後控制流進行到步驟 512 〇 在步驟512中，如果步驟510的收斂性測試對於變化或 準確性的結果低於變化及準確性的預定臨限値時，即執行 另一個遞迴。因此，K値平均語音分段即對該訓練樣本來 執行。該K値平均語音分段匹配該訓練樣本於該潛在的SI 木K板’其較佳地是以I>tw技術執行，藉此產生一最佳化 路徑，如參考上述之圖2。然後該訓練樣本根據該最佳化 路徑來分段。在一具體實施例中，該K値平均語音分段係 根據 Lawrence Rabiner 及 Biing_Hwang Juang 所著 Fundamentals of Speech Recognition 382-384 (1993)中所述的技 術來執行。然後控制流回到步驟5〇6，其中該更新的叢集 平均訊框被向量量化，且在步驟510中，以來自該測試資 料庫的樣本進行收斂性測試（如同該新的潛在SI樣板）。本 技藝的專業人士將可瞭解此遞迴處理可依需要持續到達成 在該預定臨限値之上的變化及準確性結果。 一旦通過該收斂性測試（即一旦達到該臨限値），該潛在 的（現在爲最後的）SI樣板可較佳地用於語音辨識子系 -22- 本纸張尺度適用中國國家標準(CNS) A4規格(210X 297公釐） 514867 A7 B7 五、發明説明（2〇 ) 統，例如圖2的語音辨識子系統。該最後的SI樣板將儲存 在圖2的樣板資料庫108中，或用於圖3的流程圖中的步 驟 206。 因此，已經描述建構一演説者無關語音辨識系統的語音 樣板之創新及改良的方法及裝置。本技藝的那些專業人士 將可瞭解，在以上説明中所參考的資料，指令，命令，資 訊，信號，位元，符號及晶片等，皆可較佳地是由電壓， 電流，電磁波，磁場或粒子，光學場或粒子，或其任何組 合來代表。那些專業人士將進一步瞭解配合此處所揭示的 具體實施例中所描述的不同説明性邏輯方塊，模組，電路 及演算法步驟，其可實施爲電子硬體，電腦軟體，或其組 合。該不同的説明組件，方塊，模組，電路及步驟一般係 以其功能來描述。是否該功能是實施爲硬體或軟體，係依 據該特殊應用，及施加於整體系統的設計限制。專業人士 可認知到在這些狀況下硬體及軟體之互換行，以及如何最 佳地實施每個特殊應用所描述的功能。依照範例，配合此 處所揭示的具體實施例之不同的説明邏輯方塊，模組，電 路及演算法步驟，可實施或執行於一數位信號處理器 (DSP)，一特定應用積體電路（ASIC)，一現場程式化閘極陣 列（FPGA)或其它可程式邏輯裝置，分散閘極或電晶體邏 輯，分散硬體組件，例如像是暫存器及FIFO，一執行一 組韌體指令的處理器，任何習用的可程式軟體模組及一處 理器，或其任何組合來執行此處所述的功能。該處理器可 較佳地是爲一微處理器，但另外，該處理器可爲任何習用 _- 23-_ 本紙張尺度適用中國國家標準(CNS) A4規格(210 X 297公釐） 514867 A7 B7 五、發明説明（21 ) 的處理器，控制器，微控制器，或狀態機器。該軟體模組 可存在於RAM記憶體，快閃記憶體，ROM記憶體， EPROM記憶體，EEPROM記憶體，暫存器，硬碟，可移除 碟片，一 CD-ROM，或任何其它本技藝中已知的儲存媒體 形式。一範例處理器可較佳地是耦合於該儲存媒體，藉以 讀取資訊或寫入資訊到該儲存媒體。另外，該儲存媒體將 可整合到該處理器。該處理器及該儲存媒體可存在於一 ASIC。該ASIC可存在於一電話。另外，該處理器及該儲 存媒體可存在於一電話。該處理器可實施爲一 DSP及一微 處理器的組合，或成爲配合一 DSP核心的兩個微處理器 等。 因此本發明的較佳具體實施例已經顯示及説明。然而， 本技藝的專業人士可以瞭解，在不背離本發明的精神或範 圍之下，可對此處所揭示的具體實施例進行不同的變化。 因此，本發明乃限於以下的申請專利範圍。 _-24- 本紙張尺度適用中國國家標準(CNS) A4規格(210 X 297公釐)

Claims (1)

1. 514867 88895 ABCD 六、申請專利範圍 1，-種用於與演説者無關的語音辨識系統中產生語音樣 板之方法，該方法包含： 刀敁第複數個發晋的每個發音以爲每個發音產 生複數個時間叢集的段落，每個時間叢集的段落係由 一頻譜平均所代表； 對於所有的該第一複數個發立氺B ， 瓦双七㈢來！化孩複數個頻譜 平均以產生複數個樣板向量； 將該每一個樣板向量愈一筐—# 、 J里只罘一復數個發晋比較來產 生至少一比較結果； 當該至少一比較結果超過至少—預定的臨限値時， 匹配該第一複數個發音與該複數個樣板向量，以產生 一最佳的匹配路徑結果； 根據該最佳的匹配路徑結果在時間中區隔該第一複 數個發音；及 重複該量化，比較，匹配及區隔，直到該至少一比 較結果不會超過任何至少一個預定的臨限値。 2.如申請專利範圍第！項之方法，其中該比較包含計算 一變化度量。 3·如申請專利範圍第1項之方法，其中該比較包含計算 一準確性度量。 4·如申清專利範圍第1項之方法，其中該比較包含首先 計算一變化度量，其次，如果該變化度量並未超過一 第一預定臨限値時，計算一準確性度量。 5·如申請專利範圍第4項之方法，其中該匹配包含如果 -25- 本紙張尺度適用中國國家標準（CNS)A4規格（210 X 297公釐） -----Jl—Ί.----裝錢| (請先閱讀背面之注惠事項再填寫本頁) - •線· 經濟部智慧財產局員工消費合作社印製 514867 經濟部智慧財產局員工消費合作社印製 ___§______六、申請專利範圍 該變化度量超過該第一預定臨限値或該準確性度量超 過一第二預定臨限値時，匹配該第_發音與該複數個 樣板向量。 6·如申請專利範圍第丨項之方法，其中該比較包含執行 一動態時間扭曲計算。 7. 如申請專利範圍第1項之方法，其中該匹配包含執行 一動態時間扭曲計算。 8. 如申請專利範圍第1項之方法，其中該匹配及該區隔 包含執行一 K値平均分段計算。 9. 如申請專利範圍第1項之方法，進一步包含該第一發 音的終點。 10. —種產生用於與演說者無關之語音辨識系統的語音樣 板之裝置，該裝置包含： 用以分段一第一複數個發音的每個發音之裝置，以 爲每個發音產生複數個時間叢集的段落，每個時間叢 集的段落係由一頻譜平均所代表； 用以對於所有的該第一複數個發音來量化該複數個 頻譜平均之裝置，以產生複數個樣板向量； 用以將該每一個樣板向量與一第二複數個發音比較 之裝置，以產生至少一比較結果； 當該至少一比較結果超過至少一預定的臨限値時， 用以匹配該第一複數個發音與該複數個樣板向量之裝 置，以產生一最佳的匹配路徑結果； 用以根據該最佳的匹配路徑結果在時間中區隔該第 26- 本紙張尺度適用中國國家標準（CNS)A4規格（210 X 297公釐）---- —^llJJ----I (請先閱讀背面之注音？事項再填寫本頁) 訂. -•線· A8B8C8D8 經濟部智慧財產局員工消費合作社印製 514867 六、申請專利範圍 一複數個發音之裝置；及 用以重複該量化，比較，匹 該至少-比較結果不會超過任何至：：〈裝置’直5 値。 ^ 一個預定的臨PI 11· 一種產生用於與演說者無關之纽立 板之裝置，該裝置包含·· ”辦識系統的語音樣 分段邏輯，用來分段一第 … 音，以爲每個發音產二：Γ獲數個發音的每個發 乃母個發Θ產生複數個時間叢集的段落 時間叢集的段落係由一頻譜平均所代表. -量化器’其_合於該分段邏輯，並配置成對於所 有的該第-複數個發音量化該複數個頻譜平均，以產 生複數個樣板向量； 一收斂性測試器，其耦合於該量化器，並配置成將 每一個該複數個樣板向量與—第二複數個發音比較以 產生至少一比較結果；及 區隔化邏輯，其耦合於該量化器及該收斂性測試 器’並配置成當該至少一比較結果超過至少一預定的 臨限値時來匹配該第一複數個發音與該複數個樣板向 量，用以產生一最佳匹配路徑結果，並用以根據該最 佳匹配路徑結果來在時間中區隔該第一複數個發音， 其中該量化器，該收斂性測試器，及該區隔化邏輯 係進一步配置成重複該量化，比較，匹配及區隔化， 直到該至少一比較結果不會超過任何至少一預定的臨 限値。 -27- 本紙張尺度適用中國國家標準（CNS)A4規格（210 X 297公釐）

   514867 A8 B8 C8 D8 六、申請專利範圍 12·如申請專利範圍第i i項之裝置，其中該至少一比較 結果爲一變化度量。 ------7-T--- J----I (請先閱讀背面之注意事項再填寫本頁) 13·如申請專利範圍第i !項之裝置，其中該至少一比較 結果爲一準確性度量。 14·如申請專利範圍第1 !項之裝置，其中該至少一比較 結果爲一變化度量及一準確性度量，其中該收斂性測 試器用來首先計算該變化度量，而其次，如果該變化 度量並未超過一第一預定臨限値時，計算一準確性度 ° 15·如申請專利範圍第1 4項之裝置，其中該匹配包含如 果該變化度量超過該第一預定臨限値或該準確性度量 超過一第二預定臨限値時，匹配該第—發音與該複數 個樣板向量。 線· 16·如申請專利範圍第！丨項之裝置，其中該收斂性測試 器用來執行一動態時間扭曲計算。 17·如申請專利範圍第1 1項之裝置，其中該區隔邏輯用 來執行一動態時間扭曲計算。 經濟部智慧財產局員工消費合作社印製 18. 如申請專利範圍第1 1項之裝置，其中該區隔邏輯包 含K値平均語音分段計算。 19. 如申請專利範圍第1 1項之裝置，進一步包含一終點 、偵測器，其耦合於該分段邏輯，並用於偵測該第一發 音的終點。 20. —種產生用於與演説者無關之語音辨識系統的語音樣 板之裝置，該裝置包含： -28 - 本紙張尺度適用中國國家標準（CNS)A4規格（210 X 297公釐） 514867 A8B8C8D8 比較 其中該至少一比較 六、申請專利範圍 一處理器；及 一儲存媒體，其耦合於該處理器，並包含一組由咳 處理器執行的指令，以分段一第一 x 币復數個發晋的每個 發音來產生每個發音的複數個時間叢集段落，每個時 間叢集段落由一平均値代表，量化所有的該第一複數 個發音的該複數個頻譜平均來產生複數個樣板向量， 比較每一個該複數個樣板向量與一第二複數個發音來 產生至少一比較結果，如果該至少一比較結果超過至 少一預定的臨限値時匹配該第一複數個發音與該複數 個樣板向量，以產生一最佳匹配路徑結果，根據該最 佳匹配路徑結果而在時間中區隔該第一複數個發音， 及重複該量化，比較，匹配及區隔化，直到該至少一 比較結果不超過任何至少一預定的臨限値。 21·如申請專利範圍第2 〇項之裝置，其中該至少 結果爲一變化度量。 22·如申請專利範圍第2 〇項之裝置 結果爲一準確性度量。 23. 如申請專利範圍第2 〇項之裝置，其中該至少一比較 結果爲一變化度量及一準確性度量，其中該組由該處 理器執行的指令首先計算該變化度量，而其次，如果 該變化度量並未超過一第一預定臨限値時，計算該準 確性度量。 24. 如申請專利範圍第2 3項之裝置，其中該組指令係進 一步由該處理器執行，用以如果該變化度量超過該第 -29_ 本紙張尺度適用中國國家標準（CNS)A4規格（210 X 297公釐） 丨 — 丨IT If — —· ΙΊΙ — · I I 1 — I I t ---- - ----I I IAW (請先閱讀背面之注意事項再填寫本頁) 經濟部智慧財產局員工消費合作社印製

   預疋臨限値或該準確性度量超過一第二預定臨限値 時，匹配該第一發音與該複數個樣板向量。 如申明專利範圍第2 0項之裝置，其中該組指令由該 處里器執行，用以藉由執行一動態時間扭曲計算來比 較每一個該複數個樣板向量與該複數個發音。 如申叫專利範圍第2 0項之裝置，其中該組指令由該 處理器執行來匹配區隔邏輯，其用來藉由執行一動態 時間扭曲計算來匹配該第一發音與該複數個樣板向 量 ° 27·如申請專利範圍第20項之裝置，其中該組指令由該 處理器執行，用以藉由執行一 κ値平均語音分段計算 來區隔該第一發音。 汉如申請專利範圍第20項之裝置，其中該組指令係進 一步由該處理器執行來偵測該第一發音的終點。 29. —種處理器可讀取之媒體，其包含—组處理器可執行 的指令以： T 分段一第一複數個發音的每個發音，以爲每個發音 產生複數個時間叢集的段落，每個時間叢集的段落係 由一頻譜平均所代表； ~ 對於所有的該第一複數個發音來量化該複數個頰譜 平均，以產生複數個樣板向量； ” Μ 將每一個樣板向量與一第二複數個發音比較，以產 生至少一比較結果； 當該至少一比較結果超過至少—預定的臨限値時， -30- 本紙張尺度適用中國國家標準（CNS)A4規格（210 X 297公釐） ------J--Ί-----1 (請先閱讀背面之注意事項再填寫本頁) . 線· 經濟部智慧財產局員工消費合作社印製 J 丄 ％67 A8 B8 C8 D8 六、申請專利範圍 匹配該第一複數個發音與該複數個樣板向量，以產生 —最佳的匹配路徑結果； 根據該最佳的匹配路徑結果，在時間中區隔該第一 複數個發音；及 重複該量化，比較，匹配及區隔化，直到該至少一 比較結果不會超過任何至少一個預定的臨限値。 -----J- J—* J----. (請先閱讀背面之注咅？事項再填寫本頁) 訂 經濟部智慧財產局員工消費合作社印製 -31 本紙張尺度適用中國國家標準（CNS)A4規格（210 X 297公釐）