DE69829187T2

DE69829187T2 - Semi-monitored speaker adaptation

Info

Publication number: DE69829187T2
Application number: DE69829187T
Authority: DE
Inventors: Silke Goronzy; Ralf Kompe; Peter Buchner; Naoto Shinagawa-ku Iwahashi
Original assignee: Sony International Europe GmbH; Sony Corp
Current assignee: Sony Deutschland GmbH; Sony Corp
Priority date: 1998-12-17
Filing date: 1998-12-17
Publication date: 2005-12-29
Anticipated expiration: 2018-12-18
Also published as: CN1264888A; KR100697961B1; DE69833987D1; DE69829187D1; EP1011094A1; EP1426923B1; DE69833987T2; JP2000181482A; EP1426923A1; KR20000067829A; US6799162B1; EP1011094B1; CN1248192C

Description

Diese Erfindung bezieht sich auf die automatische Spracherkennung (ASE), insbesondere auf Verfahren, um eine nicht überwachte oder Online-Anpassung eines automatischen Spracherkennungssystems auszuführen, und auf ein Spracherkennungssystem, das die Verfahren der Erfindung ausführen kann.These Invention relates to automatic speech recognition (ASE), in particular, to procedures for unmonitored or online adaptation an automatic speech recognition system, and on a speech recognition system, the methods of the invention To run can.

Die Spracherkennungseinrichtungen des Standes der Technik umfassen eine Menge statistischer Verteilungen, die die akustischen Eigenschaften bestimmter Sprachsegmente modellieren. Diese akustischen Eigenschaften sind in Merkmalsvektoren codiert. Als ein Beispiel kann eine Gaußsche Verteilung für jedes Phonem genommen werden. Diese Verteilungen sind mit Zuständen verbunden. Ein (stochastisches) Zustandsübergangsnetz (normalerweise Hidden-Markov-Modelle) definiert die Wahrscheinlichkeiten für die Folgen der Zustände und die Folgen der Merkmalsvektoren. Das Hindurchleiten eines Zustands verbraucht einen Merkmalsvektor, der einen Rahmen von z. B. 10 ms des Sprachsignals überdeckt.The Prior art speech recognizers include a Amount of statistical distributions showing the acoustic properties model specific speech segments. These acoustic properties are coded in feature vectors. As an example, a Gaussian distribution for each Phonem be taken. These distributions are associated with states. A (stochastic) state transition network (usually hidden Markov models) defines the probabilities for the consequences of the states and the consequences of the feature vectors. Passing a state consumes a feature vector containing a frame of e.g. B. 10 ms the voice signal covers.

Die stochastischen Parameter einer derartigen Erkennungseinrichtung werden unter Verwendung einer großen Menge von Sprachdaten entweder von einem einzelnen Sprecher, was ein sprecherabhängiges System (SD-System) hervorbringt, oder von vielen Sprechern, was ein sprecherunabhängiges System (SI-System) hervorbringt, trainiert.The stochastic parameters of such a recognition device are either using a large amount of voice data from a single speaker, which is a speaker-dependent system (SD system), or by many speakers, what a speaker-independent system (SI system), trained.

Die Anpassung an den Sprecher (SA) ist ein weit und breit verwendetes Verfahren, um die Erkennungsraten der SI-Systeme zu vergrößern. Die sprecherabhängigen Systeme des Standes der Technik liefern viel höherer Erkennungsraten als die sprecherunabhängigen Systeme. Für viele Anwendungen ist es jedoch nicht ausführbar, ausreichend Daten von einem einzelnen Sprecher zu sammeln, um das System zu trainieren. In dem Fall einer Verbrauchervorrichtung könnte dies sogar unerwünscht sein. Um diese Nichtübereinstimmung der Erkennungsraten zu überwinden, werden Algorithmen für die Anpassung an den Sprecher weit und breit verwendet, um Erkennungsraten zu erreichen, die nahe an die sprecherabhängigen Systeme kommen, aber nur einen Bruchteil der sprecherabhängigen Daten im Vergleich zu sprecherabhängigen Systemen verwenden. Diese Systeme nehmen anfangs sprecherunabhängige Modelle, die dann angepasst werden, damit sie besser mit der Akustik der Sprecher übereinstimmen.The Adaptation to the Speaker (SA) is a widely used one Method to increase the detection rates of SI systems. The speaker-dependent Prior art systems provide much higher recognition rates than the prior art speaker independent Systems. For However, many applications are unable to run enough data from one to collect individual speakers to train the system. By doing In the case of a consumer device, this could even be undesirable. To this mismatch to overcome the detection rates become algorithms for the adaptation to the speaker widely used to recognition rates but that come close to the speaker-dependent systems only a fraction of the speaker-dependent data compared to speaker-dependent Use systems. These systems initially use speaker-independent models, which are then adjusted to better match the acoustics of the Speakers agree.

Normalerweise wird die Anpassung überwacht ausgeführt. Das heißt, die gesprochenen Wörter sind bekannt, wobei die Erkennungseinrichtung gezwungen wird, sie zu erkennen. Hiermit wird eine Zeitausrichtung der segmentspezifischen Verteilungen erreicht. Die Nichtübereinstimmung zwischen den tatsächlichen Merkmalsvektoren und den Parametern der entsprechenden Verteilung schafft die Grundlage für die Anpassung. Die überwachte Anpassung erfordert, dass eine Anpassungssitzung mit jedem neuen Sprecher ausgeführt wird, bevor er/sie die Erkennungseinrichtung tatsächlich verwenden kann.Usually the adjustment is monitored executed. This means, the spoken words are known, wherein the detection device is forced, they to recognize. This is a time alignment of the segment-specific Achieved distributions. The mismatch between the actual Feature vectors and the parameters of the corresponding distribution creates the basis for the adaptation. The supervised Customization requires having an adaptation session with each new one Speaker executed before he / she can actually use the recognizer.

5 zeigt einen Blockschaltplan eines derartigen beispielhaften Spracherkennungssystems gemäß dem Stand der Technik. Die mit einem Mikrophon 51 empfangenen gesprochenen Äußerungen werden in einer A/D-Umsetzungsstufe 52, die mit einem Merkmalsextraktionsmodul 53 verbunden ist, in dem eine Merkmalsextraktion ausgeführt wird, um z. B. jede 10 ms einen Merkmalsvektor zu erhalten, in ein digitales Signal umgesetzt. Ein derartiger Merkmalsvektor wird entweder für das Training eines Spracherkennungssystems oder nach dem Training für die Anpassung der anfangs sprecherunabhängigen Modelle und während der Verwendung der Erkennungseinrichtung für die Erkennung der gesprochenen Äußerungen verwendet. 5 Fig. 12 shows a block diagram of such an exemplary prior art speech recognition system. The one with a microphone 51 received spoken utterances are in an A / D conversion stage 52 using a feature extraction module 53 is connected, in which a feature extraction is performed to z. B. every 10 ms to obtain a feature vector, converted into a digital signal. Such a feature vector is used either for the training of a speech recognition system or after training for the adaptation of the initial speaker-independent models and during the use of the recognizer for the recognition of the spoken utterances.

Für das Training ist das Merkmalsextraktionsmodul 53 über die Kontakte a und c eines Schalters 54 mit einem Trainingsmodul 55 verbunden. Das Trainingsmodul 55 des beispielhaften Spracherkennungssystems, das mit Hidden-Markov-Modellen (HMMs) arbeitet, erhält eine Menge von sprecherunabhängigen (SI) HMMs. Dies wird normalerweise durch den Hersteller der automatischen Spracherkennungsvorrichtung unter Verwendung einer großen Datenbank, die viele verschiedene Sprecher umfasst, ausgeführt.For training is the feature extraction module 53 via the contacts a and c of a switch 54 with a training module 55 connected. The training module 55 of the example speech recognition system using Hidden Markov Models (HMMs) receives a set of Speaker Independent (SI) HMMs. This is normally done by the manufacturer of the automatic speech recognition device using a large database comprising many different speakers.

Nachdem das Spracherkennungssystem eine Menge von SI-Modellen geladen hat, werden die Kontakte a und b des Schalters 54 so verbunden, dass die durch das Merkmalsextraktionsmodul 53 extrahierten Merkmalsvektoren in ein Erkennungsmodul 57 eingespeist werden, sodass das System durch den Kunden/die Kundin verwendet und an ihn/sie angepasst werden kann. Das Er kennungsmodul 57 berechnet dann auf der Grundlage der extrahierten Merkmalsvektoren und der sprecherunabhängigen Modellmenge ein Erkennungsergebnis. Während der Anpassung an einen einzelnen Sprecher ist das Erkennungsmodul 57 mit einem Anpassungsmodul 58 verbunden, das eine sprecherangepasste Modellmenge berechnet, die in einem Speicher 59 zu speichern ist. In der Zukunft berechnet das Erkennungsmodul 57 das Erkennungsergebnis auf der Grundlage des extrahierten Merkmalsvektors und der sprecherangepassten Modulmenge. Eine weitere Anpassung der sprecherangepassten Modellmenge kann wiederholt ausgeführt werden, um die Leistung des Systems für spezifische Sprecher weiter zu verbessern. Es gibt mehrere vorhandene Verfahren für die Anpassung an den Sprecher, wie z. B. die Maximum-a-posteriori-Anpassung (MAP-Anpassung) oder die Anpassung durch lineare Regression mit maximaler Wahrscheinlichkeit (MLLR-Anpassung).After the speech recognition system loads a set of SI models, contacts a and b of the switch become 54 so connected that through the feature extraction module 53 extracted feature vectors into a recognition module 57 so that the system can be used by the customer and adapted to him / her. The identification module 57 then calculates a recognition result based on the extracted feature vectors and the speaker independent model set. While fitting to a single speaker, the recognition module is 57 with an adaptation module 58 which computes a speaker-matched model set stored in a memory 59 to save. In the future, the recognition module calculates 57 the recognition result based on the extracted feature vector and the speaker-adjusted module set. Further customization of the speaker-matched model set can be performed repeatedly to further improve the performance of the system for specific speakers. There are several existing procedures for the Adaptation to the speaker, such. Eg maximum a posteriori fitting (MAP fitting) or maximum likelihood linear regression fitting (MLLR fitting).

Normalerweise modifizieren die Techniken für die Anpassung an den Sprecher die Parameter der Hidden-Markov-Modelle, sodass sie besser mit der Akustik der neuen Sprecher übereinstimmen. Wie oben dargelegt worden ist, wird dies normalerweise in einer Stapel- oder Offline-Anpassung ausgeführt. Dies bedeutet, dass ein Sprecher einen vorgegebenen Text lesen muss, bevor er/sie das System für die Erkennung verwenden kann, der dann verarbeitet wird, um die Anpassung auszuführen. Sobald dies abgeschlossen ist, kann das System für die Erkennung verwendet werden. Diese Betriebsart wird außerdem als überwachte Anpassung bezeichnet, weil der Text dem System bekannt war und eine erzwungene Ausrichtung des entsprechenden Sprachsignals auf die dem Text entsprechenden Modelle ausgeführt und für die Anpassung verwendet wird.Usually modify the techniques for the adaptation to the speaker the parameters of the hidden Markov models, so they better match the acoustics of the new speakers. As as stated above, this is normally done in a batch or offline customization. This means that a speaker must read a given text, before he / she the system for can use the detection, which is then processed to the To perform customization. Once this is done, the system can be used for detection. This mode will also work as supervised Adaptation referred to because the text was known to the system and a forced alignment of the corresponding speech signal on the textual models and used for customization.

Für die meisten Arten von Verbrauchervorrichtungen ist jedoch ein nicht überwachtes oder Online-Verfahren besser geeignet. In diesem Fall findet die Anpassung statt, während sich das System in Gebrauch befindet. Die erkannte Äußerung wird für die Anpassung verwendet, wobei die modifizierten Modelle für das Erkennen der nächsten Äußerung verwendet werden usw. In diesem Fall ist der gesprochene Text dem System nicht bekannt, sondern das Wort (die Wörter), das (die) erkannt worden ist (sind), werden stattdessen verwendet.For the most However, types of consumer devices is an unmonitored one or online method more suitable. In this case, the Adaptation takes place while the system is in use. The recognized statement becomes for the adjustment The modified models used to recognize the next utterance etc. In this case, the spoken text is not the system known but the word (the words), the one that has been recognized is used instead.

EP 0 763 816 A2 schlägt die Verwendung von Vertrauensmaßen als ein Optimierungskriterium für das HMM-Training vor. Diese Vertrauensmaße sind zu sätzliche Wissensquellen, die für die Klassifikation eines Erkennungsergebnisses als "wahrscheinlich richtig" oder "wahrscheinlich falsch" verwendet werden. Hier werden die Vertrauensmaße für die Verifikation der n besten erkannten Wortketten verwendet, wobei das Ergebnis dieser Verifikationsprozedur, d. h. die Ableitung der Verlustfunktion, als ein Optimierungskriterium für das Training der Modelle verwendet wird. In diesem Fall werden alle Äußerungen für das Training verwendet, wobei das Verfahren verwendet wird, um die Differenz der Wahrscheinlichkeiten verwechselbarer Wörter zu maximieren. Dieses Dokument bezieht sich jedoch nur auf das HMM-Training vor der Verwendung des Systems. EP 0 763 816 A2 suggests the use of confidence measures as an optimization criterion for HMM training. These confidence measures are additional sources of knowledge that are used to classify a recognition result as "probably right" or "probably wrong." Here the confidence measures are used for the verification of the n best recognized word strings, the result of this verification procedure, ie the derivation of the loss function, being used as an optimization criterion for the training of the models. In this case, all utterances are used for the training, the method being used to maximize the difference in the chances of confusable words. However, this document only pertains to HMM training prior to using the system.

Andererseits offenbart EP 0 776 532 A2 ein Verfahren, um die fehlerhafte Erkennung durch die Äußerung eines vorgegebenen Schlüsselwortes "oops" zu korrigieren, wonach der Benutzer die falsch erkannten Wörter durch Eingabe korrigieren könnte oder das System versucht, den Fehler selbst zu korrigieren. In jedem Fall führt das System das Training/die Anpassung der Sprachmodelle nur aus, wenn ein Wort (eine Folge von Wörtern) fehlerhaft erkannt worden ist.On the other hand revealed EP 0 776 532 A2 a method to correct the erroneous recognition by the utterance of a given keyword "oops", after which the user could correct the incorrectly recognized words by input or the system tries to correct the error itself. In any case, the system only executes the training / adaptation of the language models if a word (a sequence of words) has been detected erroneously.

Die Erfindung betrifft die Anpassung sprecherunabhängiger Hidden-Markov-Modelle in Spracherkennungssystemen unter Verwendung der nicht überwachten oder Online-Anpassung. In diesen Systemen müssen die HMMs ständig nach jeder neuen Äußerung oder sogar nach Teilen der Äußerungen verfeinert werden. Außerdem werden die Wörter, die in das System eintreten, nicht mehrmals wiederholt, wobei sie dem System nicht bekannt sind. Deshalb ist nur eine schrittweise Anpassung an den Sprecher möglich, d. h. es sind nur sehr wenige Anpassungsdaten auf einmal verfügbar, wobei sich außerdem das Problem ergibt, dass die fehlerhaften Erkennungen abhängig von der Leistung des sprecherunabhängigen Systems auftreten, weil angenommen werden muss, dass die Ausgabe des Erkennungsmoduls das richtige Wort ist. Diese Wörter werden dann für die Anpassung verwendet, wobei, falls das Wort falsch erkannt worden ist, der Anpassungsalgorithmus die Modelle in einer falschen Weise modifiziert. Die Erkennungsleistung könnte drastisch abnehmen, wenn dies wiederholt geschieht.The The invention relates to the adaptation of speaker-independent hidden Markov models in speech recognition systems using the unmonitored or online customization. In these systems, the HMMs are constantly in decline every new statement or even refined after parts of the utterances become. Furthermore become the words, who enter the system, not repeated several times, and they the system is not known. That's why it's just a gradual one Adaptation to the speaker possible, d. H. There are very few customization data available at once, with also the Problem results that the erroneous detections depend on the performance of the speaker independent Systems occur because it must be assumed that the output the recognition module is the right word. These words become then for the Adaptation uses, where, if the word has been misrecognized The adaptation algorithm is the models in a wrong way modified. The recognition performance could decrease drastically if this happens repeatedly.

In "Iterative Unsupervised Speaker Adaptation for Batch Dictation" von Shigeru Homma u. a., veröffentlicht in den Sitzungsberichten der ICSLP, 3. Oktober 1996, XP-002100688, ist ein automatisches Stapelstil-Diktatparadigma offen bart, in dem die ganze diktierte Sprache vollständig für die Anpassung an den Sprecher verwendet wird, wobei sie unter Verwendung der Ergebnisse der Anpassung an den Sprecher erkannt wird. Um die Wirkung fehlerhafter Erkennungsergebnisse auf die Anpassung zu verringern, werden die fehlerhaften Erkennungsergebnisse aus der Anpassung beseitigt. Um die fehlerhaften Erkennungsergebnisse zu beseitigen, wird ein bestimmtes Vertrauensmaß bestimmt. Die Genauigkeit der Bestimmung dieses bestimmten Vertrauensmaßes kann jedoch nicht ausreichend genau sein, wobei Wörter, die in der Tat fehlerhaft erkannt werden, folglich für die Anpassung des Systems verwendet werden.In "Iterative Unsupervised Speaker Adaptation for Batch Dictation "by Shigeru Homma et al., Published in the proceedings of ICSLP, 3 October 1996, XP-002100688, is an automatic stacking style dictation paradigm open in which the whole dictated language completely for adaptation to the speaker using them, using the results of the fitting is recognized to the speaker. To the effect of faulty recognition results to reduce the adjustment, the erroneous recognition results are off the adjustment eliminated. To the faulty recognition results to eliminate, a certain measure of confidence is determined. The accuracy of However, determining this particular level of confidence may not be sufficient be exact, with words, which in fact are erroneously recognized, hence for the adaptation of the system.

Es ist deshalb die der Erfindung zugrundeliegende Aufgabe, ein Verfahren und eine Vorrichtung für die nicht überwachte Anpassung vorzuschlagen, die die oben im Zusammenhang mit dem Stand der Technik beschriebenen Probleme überwinden.It is therefore the object underlying the invention, a method and a device for the unmonitored To propose adaptation that is related to the above overcome the problems described in the art.

Die Verfahren der Erfindung sind in den unabhängigen Ansprüchen 1 und 17 definiert, während die Vorrichtung der Erfindung im unabhängigen Anspruch 23 definiert ist. Ihre bevorzugten Ausführungsformen sind jeweils in den folgenden abhängigen Ansprüchen definiert.The Methods of the invention are set forth in independent claims 1 and 17 defines while the Device of the invention defined in independent claim 23 is. Your preferred embodiments are defined in the following dependent claims, respectively.

Gemäß der Erfindung gibt eine Art der Messung an, wie zuverlässig das Erkennungsergebnis gewesen ist. Die Anpassung des Systems basiert dann auf dem Grad der Zuverlässigkeit dieses Erkennungsergebnisses. Deshalb wird dieses Verfahren gemäß der Erfindung als halbüberwachte Anpassung an den Sprecher bezeichnet, weil kein überwachender Benutzer oder keine feste Menge des Vokabulars für die Anpassung notwendig ist.According to the invention indicates a way of measuring how reliable the detection result has been is. The adaptation of the system is then based on the degree of reliability this recognition result. Therefore, this method becomes according to the invention as semi-supervised Adaptation to the speaker designates because no supervising user or no fixed amount of vocabulary is needed for customization.

In dem Fall einer zuverlässigen Erkennung kann eine Äußerung für die Anpassung an einen speziellen Sprecher verwendet werden, aber im Fall einer unzuverlässigen Erkennung wird die Äußerung verworfen, um eine falsche Modifikation der Modelle zu vermeiden. Alternativ kann abhängig vom Grad der Zuverlässigkeit ein Gewicht berechnet werden, das die Stärke der Anpassung bestimmt.In the case of a reliable Detection can be an expression for customization be used to a special speaker, but in the case of a unreliable Recognition the statement is rejected, to avoid a wrong modification of the models. alternative can be dependent the degree of reliability a weight that determines the strength of the fit.

Die Erfindung und ihre verschiedenen Verfahren der Entscheidung, ob eine Äußerung für die Anpassung zu verwenden ist oder nicht, werden aus der folgenden ausführlichen Beschreibung ihrer beispielhaften Ausführungsformen, zusammengenommen mit der beigefügten Zeichnung, besser verstanden, worin:The Invention and its various methods of deciding whether a statement for the adaptation to use or not will become more detailed from the following Description of her exemplary embodiments, taken together with the attached Drawing, better understood, in which:

1 ein Spracherkennungssystem gemäß einer Ausführungsform der Erfindung zeigt; 1 a speech recognition system according to an embodiment of the invention;

2 ein erstes Anpassungsverfahren gemäß der Erfindung zeigt, in dem Vertrauensmaße verwendet werden; 2 shows a first adaptation method according to the invention, in which confidence measures are used;

3 ein zweites Anpassungsverfahren gemäß der Erfindung zeigt, in dem eine Dialoghistorie beobachtet wird; 3 shows a second adaptation method according to the invention, in which a dialogue history is observed;

4 ein Verfahren des Rückschaltens zu den anfänglichen sprecherunabhängigen Modellen gemäß der Erfindung zeigt; und 4 shows a method of switching back to the initial speaker independent models according to the invention; and

5 ein beispielhaftes Spracherkennungssystem gemäß dem Stand der Technik zeigt. 5 shows an exemplary speech recognition system according to the prior art.

2 zeigt ein erstes Anpassungsverfahren gemäß der Erfindung, in dem Vertrauensmaße verwendet werden, um das Anpassen an ein fehlerhaft erkanntes Wort zu vermeiden und um den Grad der Anpassung zu bestimmen. Dieses Verfahren wird in einer mit dem Schritt S21 beginnenden Endlosschleife wiederholt ausgeführt. 2 Figure 3 shows a first adaptation method according to the invention, in which confidence measures are used to avoid fitting to a misrecognized word and to determine the degree of adaptation. This process is repeatedly executed in an endless loop beginning with step S21.

In diesem ersten Schritt S21 wird die Erkennung einer Benutzeräußerung wie in einem Spracherkennungssystem gemäß dem Stand der Technik ausgeführt. Im folgenden Schritt S22 wird eine Vertrauensmessung auf das Erkennungsergebnis des Schrittes S21 angewendet. In diesem Schritt werden Vertrauensmaße verwendet, um zu messen, wie zuverlässig das Erkennungsergebnis ist. Falls das Vertrauensmaß kleiner als ein bestimmter Schwellenwert ist, wird das erkannte Wort als unzuverlässig betrachtet, wobei es für die Anpassung nicht verwendet wird, sodass die Anpassungsprozedur abermals mit dem Schritt 21 fortgesetzt wird, in dem die Erkennung der nächsten Benutzeräußerung ausgeführt wird. Liegt das Vertrauensmaß andererseits über dem Schwellenwert, wird Erkennungsergebnis als zuverlässig betrachtet und für die Anpassung in einem Schritt S23 verwendet, bevor die Anpassungsprozedur abermals mit dem Schritt S21 fortgesetzt wird, um die nächste Benutzeräußerung zu erkennen.In this first step S21, the recognition of a user's utterance is performed as in a speech recognition system according to the prior art. In the following step S22, a confidence measurement is applied to the recognition result of the step S21. In this step, confidence measures are used to measure how reliable the recognition result is. If the confidence measure is less than a certain threshold, the recognized word is considered unreliable, and it is not used for the adaptation, so the adaptation procedure is repeated with the step 21 is continued, in which the recognition of the next user utterance is executed. On the other hand, if the confidence measure is above the threshold value, the recognition result is considered to be reliable and used for the adjustment in a step S23 before the adaptation procedure is continued again with the step S21 to recognize the next user utterance.

Um ein Vertrauensmaß gemäß der Erfindung zu berechnen, werden zuerst ein oder mehrere Merkmale aus der Erkennungshypothese und/oder dem Sprachsignal extrahiert. Dann wird auf der Grundlage dieser Merkmale eine Entscheidung getroffen, ob das Phonem/das Wort/die Wortverbindung als richtig oder falsch erkannt klassifiziert werden kann. Diese Entscheidung ist keine harte Entscheidung, sondern es wird eine bestimmte Wahrscheinlichkeit für die Richtigkeit einer empfangenen Äußerung berechnet. Diese Entscheidung basiert z. B. auf einem neuronalen Netz oder auf Entscheidungsbäumen, die die Merkmale als Eingabe nehmen und auf der Grundlage einiger interner Parameter das Vertrauensmaß berechnen.Around a confidence measure according to the invention calculate, first, one or more features from the recognition hypothesis and / or extracted from the speech signal. Then, based on this Features made a decision whether the phoneme / the word / the Word connection can be classified as right or wrong recognized can. This decision is not a hard decision, but it a certain probability is calculated for the correctness of a received utterance. These Decision is based z. On a neural network or on decision trees that take the characteristics as input and based on some internal Calculate the confidence measure.

Wenn ein neuronales Netz verwendet wird, um das Vertrauensmaß zu berechnen, ist die Ausgabe, d. h. das Vertrauensmaß, typischerweise ein Wert zwischen 0 und 1; je näher dieser Wert bei 1 liegt, desto wahrscheinlicher ist das Phonem/das Wort/die Äußerung oder die Folgen hiervon richtig erkannt worden. Deshalb wird ein Schwellenwert zwischen 0 und 1 definiert, wobei die Vertrauensmaße über diesem Schwellenwert ein Erkennungsergebnis als richtig klassifizieren.If a neural network is used to calculate the confidence measure is the output, d. H. the measure of confidence, typically a value between 0 and 1; the nearer this value is 1, the more likely the phoneme / is Word / statement or the consequences of this have been correctly recognized. That is why it becomes a threshold between 0 and 1, with confidence levels above this Threshold classify a recognition result as correct.

Die Merkmale, auf deren Grundlage das Vertrauensmaß berechnet wird, werden aus dem Erkennungsergebnis extrahiert oder basierend auf dem Erkennungsergebnis direkt aus dem Sprachsignal berechnet. Derartige Merkmale können z. B. die (relativen) Bewertungen der n besten Erkennungshypothesen, die HMM-Zustandsdauern, die Dauern der den erkannten Wörtern zugrundeliegenden erkannten Phoneme oder die Segmentwahrscheinlichkeiten sein. Die Letzteren werden durch ein stochastisches Modell berechnet, das die Wahrscheinlichkeit für ein derartiges in einer Worthypothese enthaltenes Phonem bei einem gegebenen ganzen Sprachsegment, das mehrere Rahmen enthält, bestimmt.The Characteristics on the basis of which the confidence measure is calculated become extracted from the recognition result or based on the recognition result calculated directly from the speech signal. Such features can z. B. the (relative) evaluations of the n best recognition hypotheses, the HMM state durations, the durations of the underlying words be recognized phonemes or the segment probabilities. The The latter are calculated by a stochastic model, the the probability for such a phoneme contained in a word hypothesis at a given whole speech segment containing multiple frames.

Das Vertrauensmaß kann dann direkt verwendet werden, um außerdem den Grad der Anpassung zu bestimmen. Selbstverständlich ist der einfachste Fall eines Vertrauensmaßes, nur ein Merkmal zu extrahieren, z. B. die durch die HMMs während der Erkennung bereitgestellte Bewertung, und direkt auf der Grundlage eines Schwellenwertes zu entscheiden, ob das Wort richtig erkannt worden ist oder nicht. In diesem Fall ist der Grad der Anpassung immer konstant.The confidence measure can then be used directly to also determine the degree of customization. Of course, the simplest case of a confidence measure is just a mark times to extract, z. For example, the score provided by the HMMs during recognition, and directly based on a threshold, decide whether the word has been recognized correctly or not. In this case, the degree of adaptation is always constant.

Als eine Alternative zum festen Schwellenwert kann die Vertrauensmessung verwendet werden, um ein Gewicht zu berechnen, das die Stärke der im Schritt S23 ausgeführten Anpassung bestimmt.When An alternative to the fixed threshold may be the measurement of confidence used to calculate a weight that is the strength of the executed in step S23 Adjustment determined.

Außerdem ist es möglich, andere Parameter zu verändern, auf denen die Entscheidung während der Anpassung basiert, z. B. wie der für das Entscheiden verwendete Schwellenwert abhängig von den abgeleiteten Merkmalen des Sprachsignals angepasst werden kann.Besides that is it is possible to change other parameters, on which the decision during the Customization based, e.g. For example, as used for deciding Threshold dependent be adapted from the derived features of the speech signal can.

Während der Anpassung der HMM-Modelle an den Sprecher tritt ein Problem auf, weil dies die Merkmale des Vertrauensmaßes beeinflusst. Dies erfordert entweder eine Normierung der Merkmale, sodass sie gegenüber derartigen Änderungen der HMM-Modelle invariant sind, oder es erfordert eine automatische Online-Anpassung der Merkmale oder der Parameter des Vertrauensmaßes oder des Schwellenwertes, mit dem das Vertrauensmaß verglichen wird. Diese Anpassung basiert auf einem formalen Algorithmus, der ein Kriterium wie die Richtigkeit des Vertrauensmaßes optimiert. Das Letztere kann basierend auf der Benutzerreaktion geschätzt werden, wie sie in den Video-, Interpretations- und Prosodie-Modulen bestimmt wird.During the Adaptation of the HMM models to the speaker occurs a problem because that influences the characteristics of the measure of trust. This requires either a standardization of the features, so they are against such changes HMM models are invariant, or it requires an automatic Online adjustment of the features or the parameters of the confidence measure or the threshold against which the confidence measure is compared. This adaptation is based on a formal algorithm that has a criterion like that Correctness of the confidence measure optimized. The latter can be based on the user reaction to be appreciated, as determined in the video, interpretation and prosody modules.

Außerdem kann das Vertrauensmaß nicht nur auf ganze Benutzeräußerungen angewendet werden, sondern außerdem wortweise oder phonemweise, sodass nicht immer die ganze Äußerung für die Anpassung zurückgewiesen wird, sondern nur die einzelnen fehlerhaft erkannten Wörter oder die Wörter, die fehlerhaft erkannte Phoneme enthalten. Es ist außerdem möglich, die Vertrauensmaße auf ein Sprachsegment einer anderen beliebigen Länge anzuwenden.In addition, can the measure of trust not only on whole user comments but also word by word or phoneme wise, so not always the whole utterance for the adaptation rejected but only the individual erroneously recognized words or the words, contain the incorrectly recognized phonemes. It is also possible that confidence measures to apply to a speech segment of any other length.

Eine derartige durch die Vertrauensmaße geführte Anpassung benötigt keine Handlung vom Benutzer, wie z. B. die Mitteilung an das System, dass ein Wort fehlerhaft erkannt worden ist. Deshalb erreicht dieses Verfahren eine beträchtlich bessere Erkennungsrate für die nicht überwachte oder Online-Anpassung in automatischen Spracherkennungssystemen als die Systeme gemäß dem Stand der Technik, weil nicht jede Benutzeräußerung oder jedes durch den Benutzer gesprochene Wort ungeachtet der Tatsache, dass eine derartige Äußerung oder ein derartiges Wort fehlerhaft erkannt werden kann, für die Anpassung verwendet wird und der Grad der Anpassung von der Wahrscheinlichkeit eines richtigen erkannten Ergebnisses abhängt.A Such adjustment, guided by the measure of confidence, does not require any Action by the user, such as B. the message to the system that a word has been detected incorrectly. That is why this is achieved Procedure a considerable better recognition rate for the unmonitored or online adaptation in automatic speech recognition systems as the systems according to the state the technique, because not every user utterance or every one through the User spoken word regardless of the fact that such an utterance or a such word can be erroneously recognized for customization is used and the degree of adaptation of the probability of a depends on the correct recognized result.

3 zeigt ein zweites Anpassungsverfahren gemäß der Erfindung, in dem eine Dialoghistorie beobachtet wird, um zu entscheiden, ob eine Äußerung oder ein einzelnes Wort oder mehrerer Wörter für die Anpassung verwendet werden sollte bzw. sollten oder nicht. 3 Figure 3 shows a second adaptation method according to the invention, in which a dialogue history is observed to decide whether or not an utterance or a single word or words should or should not be used for the adaptation.

In einem Dialogsystem zeigt die Reaktion eines Benutzers oft, ob das erkannte Wort richtig war oder nicht. Ein Verfahren, um eine derartige Benutzerreaktion zu beurteilen, ist in 3 gezeigt. Ähnlich zum in 2 dargestellten Verfahren wird dieses Verfahren in einer mit dem Schritt S31 beginnenden Endlosschleife wiederholt ausgeführt.In a dialog system, a user's response often indicates whether the recognized word was correct or not. One method for judging such a user response is in 3 shown. Similar to in 2 In the method shown, this method is repeatedly executed in an endless loop beginning with step S31.

Im Schritt S31 wird eine Erkennung einer Benutzeräußerung Nummer i wie in den Systemen gemäß dem Stand der Technik ausgeführt. Danach wird das Erkennungsergebnis im Schritt S32 einer Interpretation unterzogen, in dem beurteilt wird, ob der Benutzer mit der Systemreaktion auf seine vor der Äußerung Nummer i gesprochene Äußerung zufriedengestellt worden ist. Ein Beispiel einer derartigen Äußerung Nummer i – 1 könnte "schalte den Fernsehapparat ein" sein, wobei aus irgendwelchen Gründen das System "schalte das Radio ein" erkannt hat und folglich das Radio eingeschaltet worden ist. Wenn der Benutzer diesen Fehler erkennt, wird seine/ihre nächste Äußerung (d. h. die Äußerung Nummer i) irgendetwas wie "nein, nicht das Radio, den Fernsehapparat" oder "falsch, ich sagte Fernsehapparat" sein. In diesem Fall interpretiert das System im Schritt S32 auf der Grundlage der Äußerung Nummer i, dass die vorher erkannte Äußerung fehlerhaft erkannt worden ist und für die Anpassung nicht verwendet werden sollte. Der Schritt S33, in dem die Benutzeräußerung Nummer i – 1 für die Anpassung verwendet wird, wird in diesem Fall ausgelassen, wobei der Schritt S34, in dem das System eine Handlung oder Reaktion ausführt, nicht nach dem Schritt S33, sondern direkt nach dem Schritt S32 ausgeführt wird. Nach der Handlung oder Reaktion des Systems im Schritt S34 wird i im Schritt S35 inkrementiert, bevor die nächste Äußerung Nummer i + 1 des Benutzers im Schritt S31 erkannt wird.in the Step S31 will be a recognition of a user utterance number i as in Systems according to the state executed the technique. Thereafter, the recognition result in step S32 becomes an interpretation in which is judged whether the user with the system response on his before the utterance number i uttered utterance satisfied has been. An example of such an utterance number i-1 could "turn off the TV be a ", where For some reason the system "switch the radio has "recognized and consequently the radio has been turned on. If the user recognizes this error becomes his / her next utterance (i.e., the utterance number i) something like "no, not the radio, the TV "or" wrong, I said TV "In this Case, the system interprets in step S32 on the basis of the utterance number i, that the previously recognized statement is flawed has been recognized and for the adjustment should not be used. The step S33, in the user utterance number i - 1 for the Adjustment is used, is omitted in this case, the Step S34, in which the system performs an action or reaction, not after step S33, but is executed immediately after step S32. To the action or reaction of the system in step S34 becomes i im Step S35 is incremented before the user's next utterance number i + 1 in Step S31 is detected.

Abgesehen vom Wortlaut oder Interpretationsergebnis einer Äußerung können außerdem Informationen über den Gefühlszustand eines Benutzers, d. h. die Intonation und/oder die Prosodie, berücksichtigt werden, um im Schritt S32 zu beurteilen, ob der Benutzer zufriedengestellt worden ist oder nicht. Deshalb sind durch das Interpretieren der Äußerung unter Verwendung der Intonation und/oder Prosodie keine speziellen Schlüsselwörter für das System notwendig, um zu erkennen, dass eine fehlerhafte Erkennung der vorher erkannten Äußerung aufgetreten ist. Falls ein Benutzer z. B. in einer ärgerlichen Weise dem System "schalte den Fernsehapparat ein" sagt, nachdem seine/ihre vorher gesprochene Äußerung fehlerhaft erkannt worden ist, kann das System interpretieren, dass er/sie seine/ihre Meinung nicht geändert hat, sondern dass der vorher erkannte Befehl fehlerhaft erkannt worden ist, sodass er für die Anpassung nicht verwendet werden sollte.Besides the wording or interpretation result of an utterance, information about a user's feeling state, ie, intonation and / or prosody, may also be taken into account to judge whether the user has been satisfied or not in step S32. Therefore, by interpreting the utterance using intonation and / or prosody, no special keywords are necessary for the system to recognize that an erroneous recognition of the previously recognized utterance occured. If a user z. For example, in an annoying way, the system "turn on the TV" says after his / her previously spoken utterance has been erroneously recognized, the system can interpret that he / she has not changed his / her opinion, but that previously recognized Command has been detected incorrectly, so it should not be used for customization.

Außerdem können die durch ein Video-Rechensystem, wie z. B. eine Videokamera, die mit einem Computer verbunden ist, der die Reaktionen eines Benutzers, z. B. die Mimik, interpretieren kann, beobachteten Benutzerreaktionen verwendet werden, um eine erkannte Äußerung zu verifizieren, z. B. basierend auf einem Bild oder einer Videosequenz, das bzw. die vom Benutzer und/oder dem Gesicht des Benutzers genommen worden ist.In addition, the through a video computing system such. B. a video camera with connected to a computer that detects the reactions of a user, z. As the facial expressions, interpret, observed user reactions used to verify a recognized utterance, e.g. Based on an image or video sequence, the or been taken by the user and / or the user's face is.

In diesem Fall kann bestimmt werden, ob die Mimik Ärger oder Verwunderung zeigt oder ob die Lippen des Benutzers geschlossen gewesen sind, obwohl die Erkennungseinrichtung auf der Grundlage von Hintergrundstimmen oder -geräusch einige Wörter erkannt hat.In In this case, it can be determined whether the facial expressions show anger or amazement or whether the user's lips have been closed, though the recognizer based on background voices or noise some words has recognized.

Abhängig von nur einer oder einer Kombination aus diesen Benutzerreaktionen und von der Intensität kann ein Grad der Anpassung bestimmt werden. Wie im Fall der Vertrauensmaße ist es außerdem möglich, einen Schwellenwert festzulegen und damit eine harte Entscheidung zu definieren, sodass der Grad der Anpassung konstant ist.Depending on only one or a combination of these user reactions and from the intensity a degree of adaptation can be determined. As in the case of the confidence measures it is Furthermore possible, set a threshold and thus a hard decision so that the degree of adaptation is constant.

4 veranschaulicht ein Verfahren, in dem das System zu den anfänglichen SI-Modellen zurückschaltet, falls die Leistung der angepassten Modelle zu schlecht ist. 4 Figure 12 illustrates a method in which the system returns to the initial SI models if the performance of the fitted models is too poor.

In diesem Fall erkennt das System eine Situation, in der die Anpassung (wiederholt) unter Verwendung fehlerhaft erkannter Wörter ausgeführt worden ist oder ein neuer Sprecher das System verwendet, weil dann die Erkennungsleistung abfallen kann. Deshalb schaltet das System zurück zu den ursprüngli chen sprecherunabhängigen Modellen. Ähnlich zu den in den 2 und 3 dargestellten Verfahren wird dieses Verfahren in einer mit den Schritten S41 und S43, die parallel ausgeführt werden, beginnenden Endlosschleife wiederholt ausgeführt.In this case, the system recognizes a situation in which the adaptation has been performed (repeatedly) using erroneously recognized words or a new speaker is using the system because then the recognition performance may drop. Therefore, the system switches back to the original speaker-independent models. Similar to those in the 2 and 3 In the illustrated method, this method is repeatedly executed in an endless loop beginning with steps S41 and S43, which are executed in parallel.

Deshalb wird in diesem Schritt S41 eine Erkennung einer Benutzeräußerung unter Verwendung der angepassten Modelle ausgeführt, während im Schritt S43 eine Erkennung derselben Benutzeräußerung unter Verwendung der anfänglichen sprecherunabhängigen Modelle ausgeführt wird. Auf beide Erkennungsergebnisse kann jeweils in den Schritten S42 und S44 eine Vertrauensmessung angewendet werden. In einem folgenden Schritt S45 werden beide Ergebnisse, z. B. die Vertrauensmessungen, verglichen, um zu entscheiden, ob im Schritt S46 die Anpassung mit den anfänglichen sprecherunabhängigen Modellen neu zu beginnen ist oder ob in einem Schritt S47 die angepassten Modelle weiter zu verwenden und anzupassen sind, bevor die in den Schritten 41 und 43 ausgeführte parallele Erkennung mit der nächsten Benutzeräußerung ausgeführt wird.Therefore, in this step S41, recognition of a user's utterance is performed using the adjusted models, while in step S43, recognition of the same user's utterance is performed using the initial speaker-independent models. On both recognition results, a confidence measurement can be applied respectively in steps S42 and S44. In a following step S45, both results, e.g. The confidence measurements are compared to decide whether to re-start the adaptation with the initial speaker-independent models in step S46, or to continue to use and adapt the adjusted models in step S47 before the steps in step S47 41 and 43 executed parallel recognition is executed with the next user utterance.

Dieses Verfahren ist nicht auf die Verwendung der Vertrauensmaße eingeschränkt, um diese beiden Erkennungsergebnisse zu vergleichen. Es ist außerdem möglich, dass das System andere Benutzerreaktionen verwendet, z. B. sein/ihr Verhalten eine bestimmte Zeit vor und/oder nach der jeweiligen Äußerung oder etwa die Intonation und/oder Prosodie. Es ist außerdem denkbar, dass das System den Benutzer auffordert, zu entscheiden, welche Modelle verwendet werden sollten oder welches der Erkennungsergebnisse das Richtige ist, und dann die jeweilige Modellmenge für die weitere Erkennung/Anpassung verwendet.This Procedure is not limited to the use of confidence measures to compare these two recognition results. It is also possible that the system uses other user reactions, e.g. For example, his / her behavior is one certain time before and / or after the respective utterance or about the intonation and / or prosody. It is also conceivable that the system prompts the user to decide which models should be used or which of the recognition results the right thing is, and then the model set for the rest Detection / adaptation used.

Deshalb werden durch das Behalten der ursprünglichen Modelle und das Vergleichen ihrer Leistung mit den angepassten Modellen, z. B. nach einer bestimmten Anzahl von Anpassungsschritten oder in Sprachpausen, die anfänglichen Modelle außerdem durch das System verwendet, wobei die Anpassung neu begonnen wird, falls das Erkennungsergebnis unter Verwendung der sprecherunabhängigen Modelle und/oder die Vertrauensmaße angeben, dass die angepassten Modelle nicht so gut wie die anfänglichen Modelle arbeiten. Damit kann sichergestellt werden, dass die Erkennungsraten niemals (signifikant) abnehmen, sondern nur zunehmen oder auf demselben Niveau bleiben. Durch das Ausführen dieses Verfahrens werden die Erwartungen des Benutzers genau erfüllt, weil ein Benutzer erwarten würde, dass sich ein automatisches Spracherkennungssystem ein seine Art des Sprechens gewöhnt, genau wie Menschen dies tun.Therefore Become by keeping the original models and comparing their performance with the adapted models, e.g. B. for a specific Number of adjustment steps or in speech pauses, the initial one Models through as well the system uses the adaptation to restart if the recognition result using the speaker independent models and / or the confidence measures state that the customized models are not as good as the initial ones Models work. This can ensure that the detection rates never (significantly) decrease, but only increase or on the same Stay level. By running this Procedure, the user's expectations are met exactly, because a user would expect that an automatic speech recognition system is one of its kind used to speaking, just as people do.

Es ist außerdem möglich, dass die sprecherangepassten Modelle nicht nur mit den sprecherunabhängigen Modellen verglichen werden, um sicherzustellen, dass eine Erkennungsrate niemals (signifikant) abnimmt, sondern dass außerdem oder stattdessen die neuesten sprecherangepassten Modelle mit den älteren sprecherangepassten Modellen verglichen werden, um die Modelle zu wählen, die die beste Erkennungsleistung besitzen, und die Anpassung basierend auf ihnen fortzusetzen.It is also possible, that the speaker-matched models not only with the speaker-independent models be compared to make sure that a recognition rate never (significantly) decreases, but that, in addition or instead, the latest speaker-matched models with the older speaker-matched ones Models are compared to choose the models that provide the best detection performance own, and continue the customization based on them.

Selbstverständlich können alle vier oben beschriebenen Verfahren gemäß der Erfindung oder nur eine Teilmenge von ihnen kombiniert werden, um die Anpassung an fehlerhaft erkannte Wörter oder Sätze in einer nicht überwachten oder Online-Anpassungsbetriebsart zu verhindern. Bei diesen Verfahren wird gesteuert, ob die Anpassung mit den erkannten Wörtern oder einer erkannten Äußerung ausgeführt wird oder nicht. Außerdem wird eine niemals (signifikant) abnehmende Erkennungsrate sichergestellt. Wie oben erwähnt worden ist, sind die vorgeschlagenen Algorithmen von den Anpassungsverfahren selbst unabhängig, d. h., sie können mit irgendeinem Algorithmus zur Anpassung an den Sprecher kombiniert werden.Of course, all four methods described above according to the invention or only a subset thereof may be combined to prevent adaptation to erroneously recognized words or phrases in an unmonitored or online fitting mode. In these procedures is controlled whether the adaptation is performed with the recognized words or a recognized utterance or not. In addition, a never (significantly) decreasing recognition rate is ensured. As mentioned above, the proposed algorithms are independent of the matching methods themselves, ie, they can be combined with any speaker matching algorithm.

In 1 ist eine beispielhafte Ausführungsform eines Erkennungssystems gemäß der Erfindung, das eines oder mehrere der Verfahren der Erfindung für die nicht überwachte oder Online-Anpassung an den Sprecher verwendet, gezeigt.In 1 For example, one exemplary embodiment of a detection system according to the invention that uses one or more of the methods of the invention for unattended or online adaptation to the speaker is shown.

Im Gegensatz zu dem in 5 gezeigten Spracherkennungssystem gemäß den Stand der Technik umfasst das in 1 gezeigte System der Erfindung kein Trainingsmodul wie das Trainingsmodul 55 des Systems des Standes der Technik oder eine ähnliche Schaltung. Dies ist keine Einschränkung des Systems gemäß der Erfindung, weil das Training unabhängig von der Anpassung ausgeführt wird, mit der sich die Erfindung befasst. Selbstverständlich kann außerdem ein hinter dem Merkmalsextraktionsmodul 3 vorgesehener Schalter, um zwischen der Anpassungs-/Erkennungsbetriebsart und der Trainingsbe triebsart umzuschalten, d. h., um die Merkmalsvektoren entweder in das Erkennungsmodul 4, wie in 1 zeigt ist, oder in ein nicht gezeigtes Trainingsmodul, das wiederum auf die Menge der sprecherunabhängigen Module zugreifen kann, die in einem Speicher 5 gespeichert ist, zu führen, vorgesehen sein.Unlike the in 5 The speech recognition system according to the prior art shown in FIG 1 shown system of the invention no training module as the training module 55 of the prior art system or a similar circuit. This is not a limitation of the system according to the invention, because the training is carried out independently of the adaptation with which the invention is concerned. Of course, one may also be behind the feature extraction module 3 provided switch to switch between the adaptation / detection mode and the training mode, ie, the feature vectors either in the detection module 4 , as in 1 4, or in a training module, not shown, which in turn may access the set of speaker independent modules stored in a memory 5 is stored, to be provided, be provided.

1 zeigt nur den Teil des automatischen Spracherkennungssystems, der für die halbüberwachte Anpassung an den Sprecher gemäß der Erfindung verwendet wird. Deshalb wird das durch ein Mikrophon 1 erzeugte analoge Sprachsignal in einer A/D-Umsetzungsstufe 2 in ein digitales Signal umgesetzt, bevor durch ein Merkmalsextraktionsmodul 3 eine Merkmalsextraktion ausgeführt wird, um z. B. jede 10 ms einen Merkmalsvektor zu erhalten. Dieser Merkmalsvektor wird in ein Erkennungsmodul 4 eingespeist, das auf einem Speicher 5, in dem eine sprecherunabhängige Modellmenge gespeichert ist, einen Speicher 6, in dem eine sprecherangepasste Modellmenge gespeichert ist, und ein Anpassungsmodul 7, das ein Anpassungsverfahren, z. B. MAP oder MLLR, verwendet, um durch die Anpassung der sprecherunabhängigen Modellmenge die sprecherangepasste Modellmenge zu erzeugen, zugreifen kann. Deshalb kann das Anpassungsmodul 7 über den Speicher 6, der verwendet wird, um die sprecherangepasste Modellmenge zu speichern, auf die im Speicher 5 gespeicherte sprecherunabhängige Modellmenge zugreifen. Bis jetzt werden alle Module oder Speichervorrichtungen in der gleichen Weise wie im Spracherkennungssystem gemäß dem Stand der Technik verwendet. 1 only shows the part of the automatic speech recognition system used for the semi-supervised adaptation to the speaker according to the invention. That's why this is done by a microphone 1 generated analog voice signal in an A / D conversion stage 2 converted into a digital signal before passing through a feature extraction module 3 a feature extraction is performed, for. B. every 10 ms to obtain a feature vector. This feature vector becomes a recognition module 4 fed on a store 5 in which a speaker-independent model set is stored, a memory 6 in which a speaker-matched model set is stored, and an adaptation module 7 which has an adaptation procedure, e.g. MAP or MLLR, to access the speaker-matched model set by adapting the speaker-independent model set. Therefore, the adjustment module 7 over the store 6 Used to save the speaker-matched model set to memory in memory 5 stored speaker-independent model set access. So far, all the modules or memory devices are used in the same way as in the prior art speech recognition system.

Gemäß der Erfindung verteilt das Erkennungsmodul seine Ergebnisse weiterhin zu einem Prosodie-Extraktionsmodul 8 und einem Interpretationsmodul 9, die beide Verfahren ausführen, um zu entscheiden, ob ein Phonem, mehrere Phoneme, ein Wort, mehrere Wörter oder eine ganze Äußerung für die Anpassung verwendet werden sollte bzw. sollten oder nicht, wie oben beschrieben worden ist. Weiterhin werden die Ergebnisse des Erkennungsmoduls zu einem Vertrauensmaß-Modul 13 verteilt, das die Vertrauensmaße berechnet, wie oben beschrieben worden ist. Diese Module führen ihre jeweiligen Ergebnisse zu einer Entscheidungseinheit 11, die entscheidet, ob die Anpassung mit dem (den) Phonem(en), dem einzelnen Wort, den mehreren Wörtern oder den ganzen Äußerungen ausgeführt wird oder nicht, um ihr Ergebnis dem Anpassungsmodul 7 bereitzustellen, das wiederum dieses einzelne Phonem (diese einzelnen Phoneme), dieses Wort, diese mehreren Wörter oder diese ganze(n) Äuße rung(en) verwendet, um die sprecherangepasste Modellmenge anzupassen. Die Entscheidungseinheit 11 empfängt außerdem die Ausgabe eines Videomoduls 12, die das sichtbare Verhalten des Benutzers repräsentiert, das einer bestimmten Äußerung entspricht, d. h. seinen sichtbaren Gefühlszustand, z. B. ob seine Mimik Ärger oder Verwunderung zeigt oder ob der Benutzer überhaupt etwas gesagt hat oder ob die erkannte Äußerung von irgendjemand anders gesprochen worden ist.According to the invention, the recognition module further distributes its results to a prosody extraction module 8th and an interpretation module 9 that perform both methods to decide whether or not to use a phoneme, several phonemes, a word, multiple words or an entire utterance for the adaptation as described above. Furthermore, the results of the recognition module become a confidence measure module 13 distributing the confidence measures as described above. These modules lead their respective results to a decision unit 11 which decides whether or not the adaptation is performed with the phoneme (s), the single word, the plural words or the whole utterances, to its result the adaptation module 7 which in turn uses this single phoneme (s), word (s), word (s) or expression (s) to match the speaker-matched model set. The decision-making unit 11 also receives the output of a video module 12 representing the visible behavior of the user that corresponds to a particular utterance, ie, his or her visual state of feeling, e.g. Whether his facial expression shows annoyance or surprise, or whether the user has said anything at all, or whether the recognized statement has been spoken by anyone else.

Für die Zwecke der Veranschaulichung sollte erwähnt werden, dass die Entscheidung, ob das System die sprecherunabhängigen Modelle oder die sprecherangepassten Modelle verwenden sollte, in einem Verifikationsmodul 10 ausgeführt wird, das beide Ergebnisse des Erkennungsmoduls 4 empfängt, nämlich das auf der sprecherangepassten Modellmenge basierende Ergebnis und das auf der sprecherunabhängigen Modellmenge basierende Ergebnis. Das Ergebnis des Verifikationsmoduls 10 beeinflusst das Entscheidungsmodul 11, das außerdem ein Steuersignal zum Erkennungsmodul 4 weiterleitet, das bestimmt, welche Modellmenge für die Erkennung und für die zum Prosodie-Extraktionsmodul 8, zum Interpretationsmodul 9 und zum Vertrauensmaß-Modul 13 weitergeleiteten Ergebnisse zu verwenden ist.For purposes of illustration, it should be noted that the decision as to whether the system should use the speaker-independent models or the speaker-matched models in a verification module 10 running both results of the recognition module 4 receives, namely, the result based on the speaker-matched model set and the result based on the speaker-independent model set. The result of the verification module 10 influences the decision module 11 which also provides a control signal to the detection module 4 which determines which model set for recognition and for the prosody extraction module 8th , to the interpretation module 9 and to the confidence measure module 13 forwarded results is to be used.

Abgesehen von der Veränderung des Schwellenwertes, um zu entscheiden, ob eine Äußerung oder ein Teil einer Äußerung für die Anpassung verwendet werden sollte, können die Eingangsmerkmale des Entscheidungsmoduls 11 oder außerdem die Parameter des Entscheidungsmoduls 11 angepasst werden.Apart from changing the threshold to decide whether an utterance or part of an utterance should be used for the adaptation, the input features of the decision module may 11 or also the parameters of the decision module 11 be adjusted.

Selbstverständlich bestimmt die Entscheidungseinheit 11 außerdem die Rate der Zuverlässigkeit des einzelnen Phonems, der mehreren Phoneme, des einzelnen Wortes, der mehreren Wörter oder der ganzen Äußerung(en), um die Stärke der Anpassung zu bestimmen, die im Anpassungsmodul 7 ausgeführt werden sollte. Außerdem können sich die innerhalb des Prosodie-Extraktionsmoduls 8, des Interpretationsmoduls 9, des Verifikationsmoduls 10 und des Vertrauensmaß-Moduls 13 verwendeten Parameter dynamisch verändern, wie oben erwähnt worden ist. Es ist außerdem möglich, dass das Entscheidungsmodul 11 nicht sofort zu den sprecherunabhängigen Modellen umgeschaltet, falls sie besser funktionieren, sondern noch einige Äußerungen wartet, bevor diese Entscheidung getroffen wird.Of course, the decision unit determines 11 also the rate of reliability of the single phoneme, the multiple phonemes, the single word, the multiple words, or the whole utterance (s) to determine the magnitude of the fit in the fitting module 7 should be executed. Also, those within the prosody extraction module can 8th , the interpretation module 9 , the verification module 10 and the confidence measure module 13 change parameters used dynamically, as mentioned above. It is also possible that the decision module 11 not switch to the speaker-independent models immediately if they work better, but wait a few more words before making that decision.

Deshalb empfängt gemäß der oben beschriebenen bevorzugten Ausführungsform die Entscheidungseinheit 11 das Vertrauensmaß (dessen Parameter oder Merkmale adaptiv sein können) der gesprochenen Äußerung oder Teile hiervon, die Informationen über die Prosodie des Benutzers, wenn er die Äußerung oder Teile hiervon spricht, die auf der Grundlage des Kontextes der gesprochenen Äußerung bestimmte Interpretation der Benutzerreaktion, die Interpretation des sichtbaren Benutzerverhaltens und die Verifikation des Benutzers, um den Grad der Anpassung zu bestimmen. Selbstverständlich ist die Erfindung nicht auf dieses eingeschränkt, wobei eine derartige Entscheidung außerdem auf der Grundlage einer Teilmenge dieser Informationen getroffen werden kann.Therefore, according to the preferred embodiment described above, the decision unit receives 11 the confidence measure (whose parameters or features may be adaptive) of the spoken utterance or parts thereof, the information about the prosody of the user when speaking the utterance or parts thereof, the interpretation of the user response determined on the basis of the context of the spoken utterance Interpretation of the visible user behavior and the verification of the user to determine the degree of adaptation. Of course, the invention is not limited to this, and such a decision may also be made on the basis of a subset of this information.

Claims

A method of performing a semi-supervised and / or online adaptation of an automatic speech recognition system, wherein the degree of adaptation of the system by means of a received utterance or parts thereof is based on the degree of reliability of the recognition result of the received utterance or parts thereof; the adaptation of the system is carried out only with words of the utterance that are not erroneously recognized, characterized in that the degree of reliability of the recognition result of the received utterance or a part of the received utterance is measured on the basis of responses of the speaker of the utterance.

Method according to claim 1, characterized in that that the received utterance or a portion of the received utterance is used for the adaptation if the degree of reliability of the Detection via is a threshold, and is discarded if it is below this threshold is.

Method according to claim 1 or 2, characterized that the threshold is either fixed or dynamically changeable is.

Method according to one of claims 1 to 3, characterized that the degree of reliability the recognition result of the received utterance or a part of the received utterance measured on the basis of confidence measures becomes.

Method according to claim 4, characterized in that that parameters and / or characteristics on which the confidence measures are based are customizable.

Method according to claim 4 or 5, characterized that the confidence measures at a statement, a word or a phoneme based on a boundary of trust for every received utterance or calculated a part of the utterance become.

Method according to Claim 6, characterized that the confidence limit the degree of reliability of the recognition result the received utterance or a part of the received utterance.

Method according to one of the preceding claims, characterized characterized in that reactions over a video computing system based on an image or a Video sequence, that of the user and / or the face of the user is determined.

Process according to claims 4 to 8, characterized that the confidence measures of the emotional state who speaks the utterance Depend on the person.

Method according to one of the preceding claims, characterized characterized in that the reactions by recognizing and interpreting of utterances or parts of utterances, those after the received utterance or Share the received utterance received will be determined.

Method according to claim 10, characterized in that that the utterances or parts of utterances, those after the received utterance or Parts of the received utterance are received, be checked for predefined keywords, indicating that a previously received utterance is incorrect or correct was detected.

Method according to one of the preceding Claims, characterized in that responses are determined by interpreting secondary information of utterances or parts of utterances received after the received utterance or parts of the received utterance.

Method according to claim 12, characterized in that that the secondary Information of utterances or parts of utterances that after the received utterance or Share the received utterance received become, the intonation and / or the prosody of the utterances or parts of utterances, those after the received utterance or receive the parts of the received utterance be, are.

Method according to one of the preceding claims, characterized characterized in that the adaptation of the system using customization of hidden Markov models.

Method according to claim 14, characterized in that that it is used, a speaker-independent hidden Markov model the performance of a speaker-dependent hidden Markov model adapt.

Speech recognition system with semi-supervised and / or online fitting, with: a microphone ( 1 ) to receive spoken words of a user and output an analog signal; an A / D conversion stage ( 2 ) connected to the microphone ( 1 ) to convert the analog signal into a digital signal; a feature extraction module ( 3 ) with the A / D implementation stage ( 2 ) to extract feature vectors of the user's received words from the digital signal; a recognition module ( 4 ) with the feature extraction module ( 3 ) to recognize the received words of the user based on the feature vectors and a set of speaker-independent and / or speaker-fitted models; an adaptation module ( 7 ) that detects the recognition result from the recognition module ( 4 ) to generate and / or adjust the set of speaker-adapted models, characterized by a decision unit ( 11 ) with the recognition module ( 4 ) and sends a signal to the adaptation module ( 7 ) indicating whether or not a particular received word is used to generate and / or adjust the set of speaker-matched models, 11 ) to the adaptation module ( 7 ) is generated on the basis of a fifth signal, which by a with the decision unit ( 11 ) connected video module ( 12 ) is produced.

Speech recognition system according to claim 16, characterized in that the information provided by the decision unit ( 11 ) to the adaptation module ( 7 ) signal provides the amount of adjustment of the set of speaker-fitted models by the adaptation module ( 7 ) based on the particular word received.

Speech recognition system according to claim 16 or 17, characterized in that the information provided by the decision unit ( 11 ) to the adaptation module ( 7 ) is generated on the basis of a first control signal generated by a prosody extraction module ( 8th ) generated between the detection module ( 4 ) and the decision-making unit ( 11 ) is switched.

Speech recognition system according to any one of claims 16 to 18, characterized in that the information provided by the decision unit ( 11 ) to the adaptation module ( 7 ) is generated on the basis of a second control signal generated by an interpretation module ( 9 ) generated between the detection module ( 4 ) and the decision-making unit ( 11 ) is switched.

Speech recognition system according to one of the claims 16 to 19, characterized in that the information provided by the decision unit ( 11 ) to the adaptation module ( 7 ) is generated on the basis of a third control signal generated by a verification module ( 10 ) generated between the detection module ( 4 ) and the decision-making unit ( 11 ) is switched.

Speech recognition system according to one of the claims 16 to 19, characterized in that the information provided by the decision unit ( 11 ) to the adaptation module ( 7 ) is generated on the basis of a fourth control signal that is passed through a confidence measure module ( 12 ) generated between the detection module ( 4 ) and the decision-making unit ( 11 ) is switched.