Способ дикторонезависимого распознавания ключевых слов в слитной речи

Способ дикторонезависимого распознавания ключевых слов в слитной речи

Иллюстрации

Показать все

Реферат

Изобретение относится к системам обработки информации и управления, а именно к способам построения систем распознавания речи.

Известен способ проведения двухуровневой обработки речевого сигнала для точного определения границ слова [1]. Способ предполагает сравнивать с анализируемым речевым сигналом эталоны для всех слов словаря системы, ввиду этого способ обладает недостаточным быстродействием.

Известен способ обработки речевого сигнала с использованием блока первого уровня, построенного с применением метода динамического программирования, и блока второго уровня, построенного на основе методов фонемного анализа [2]. Недостатками данного способа является то, что возникновение ошибки блока первого уровня приводит к ошибке всей системы в целом. Способ использует ресурсоемкие, сложные алгоритмы распознавания, что снижает его быстродействие.

В качестве прототипа авторами принят способ дикторонезависимого распознавания изолированных речевых команд [3], содержащий двухуровневую обработку речевого сигнала, с отбором на первом уровне наиболее вероятных кандидатов эталонов для анализируемого слова, выбором на втором уровне наиболее вероятной альтернативы из отобранных кандидатов и анализом результатов распознавания речевого сигнала блоком принятием решения. Блок первого уровня проводит целословный анализ, измеряя расстояние от анализируемого речевого сигнала до эталонов с применением нелинейных функций.

Недостатками способа, выбранного в качестве прототипа, являются его неприменимость для распознавания ключевых слов или команд в потоке слитной речи. Применение нелинейных функций при вычислении расстояний между анализируемым словом и эталонами в блоке первого уровня значительно снижает быстродействие способа.

Перед заявленным изобретением поставлена задача сделать возможным распознавание ключевых слов в потоке слитной речи, а также повысить быстродействие системы.

Указанная задача решается за счет того, что применяют блок сегментации, осуществляющий выделение слов из потока слитной речи и подающий поочередно выделенные слова на вход двухуровневой обработки речевого сигнала, с отбором на первом уровне наиболее вероятных кандидатов эталонов для анализируемого слова, выбором на втором уровне наиболее вероятной альтернативы из отобранных кандидатов и анализом результатов распознавания речевого сигнала блоком принятием решения.

В блоке выделения наиболее вероятных кандидатов проводят целословный анализ, измеряя расстояние между анализируемым словом и эталонами с применением линейных функций.

Блок принятия решения формирует три вида решения, отбор ключевого слова, переспрос блоку первого уровня на расширение числа кандидатов и отсев анализируемого слова.

Анализ и обработку речевого сигнала в блоках сегментации, первого и второго уровней проводят в частотно-временной области, представленной с помощью вейвлет-преобразования [4].

Благодаря этому получен технический результат, а именно возникла возможность распознавания ключевых слов в слитной речи, и повышено быстродействие системы распознавания.

Заявляемый способ дикторонезависимого распознавания ключевых слов в слитной речи поясняется чертежами, где на фиг.1 схематически изображены основные блоки способа дикторонезависимого распознавания ключевых слов в слитной речи; на фиг.2 приведена схема блока сегментации.

Способ дикторонезависимого распознавания ключевых слов в слитной речи содержит сегментацию слов из речевого потока и двухуровневую обработку выделенных слов с отбором на первом уровне наиболее вероятных кандидатов слов для анализируемого сигнала, выбором на втором уровне наиболее вероятной альтернативы из отобранных кандидатов и принятием решения либо о распознанном ключевом слове, либо о переспросе блока первого уровня, либо об отсеве анализируемого слова.

Блок 1 сегментации (фиг.1) производит анализ слитной речи на наличие в анализируемый момент времени сигнала-паузы либо сигнала-слова и в результате выделяет множество изолированных слов.

Блок 2 первого уровня распознавания (фиг.1) выделяет множество наиболее вероятных кандидатов, наиболее близких к распознаваемому слову. Число кандидатов во множестве, как правило, меньше общего количества слов в словаре.

Блок 3 второго уровня распознавания (фиг.1) производит анализ речевого сигнала, с помощью которого определяет наиболее вероятное слово из выбранного множества кандидатов с помощью статистического метода.

Результаты распознавания речевого сигнала на первом и втором уровнях анализируют блоком 4 принятия решения (фиг.1), и, в зависимости от уровня соответствия результатов требованиям, формируют сигнал либо о распознанном ключевом слове, либо о переспросе блока первого уровня, либо об отсеве анализируемого слова.

На этапе сегментации проводится анализ и обработка речевого потока. На первом уровне блок 5 вейвлет-преобразования (фиг.2) представляет речевой поток слитной речи в частотно-временной области. Сущность вейвлет-преобразования поясняет формула:

где C(a,b) - вейвлет-коэффициенты;

S(t) - речевой сигнал;

а - коэффициент масштабирования;

ψ(х) - вейвлет-функция;

t - время.

В процессе анализа блок 6 вычисляет энергетические и блок 7 (фиг.2) - статистические характеристики речевого сигнала. На основе сравнения вычисленных характеристик с пороговыми значениями в блоке 8 (фиг.2) принимается решение об отнесении анализируемого сигнала в данный момент времени к сигналу-паузе или к сигналу-слову. В конечном счете, на основании данных блока 8, блок 9 (фиг.2) формирует множество отдельных слов, которые содержались в речевом потоке.

На первом уровне распознавания проводят отбор наиболее вероятных кандидатов с применением целословного анализа. Применение линейных функций (например, функции линейного контрастирования) для измерения расстояний между анализируемым словом и эталонами при проведении целословного анализа (использование признаков, характеризующих все слово в целом) позволяет снизить время сравнения с эталонами слов в блоке 2 (фиг.1) первого уровня, так как применение нелинейных функций вычислительно сложнее. Линейное контрастирование поясняется формулой:

где у - нормированное значение коэффициента;

х - реальное значение коэффициента вейвлет-преобразования;

x_max - максимальное значение коэффициента вейвлет-преобразования;

х_min - минимальное значение коэффициента вейвлет-преобразования;

у_max - максимальное значение нормированных коэффициентов;

у_min - минимальное значение нормированных коэффициентов.

С помощью блока 2 (фиг.1) первого уровня измеряют расстояние от анализируемого речевого сигнала до эталонов и величину порога решающего правила для отбора наиболее вероятных кандидатов определяют как постоянную величину, что снижает время работы блока.

Таким образом, решающее правило для определения подмножества слов-претендентов в блоке 1 первого уровня определяется формулой:

где R_k - расстояние от анализируемого речевого сигнала до эталона, соответствующего k-му слову заданного словаря;

R_nop - постоянное пороговое расстояние.

На втором уровне (блок 3 фиг.1) осуществляют сравнение статистических характеристик анализируемого слова с характеристиками кандидатов эталонов, выбранных на первом уровне.

Результаты сравнения анализируют на третьем уровне (блок 4 фиг.1) и формируют решение либо о распознанном ключевом слове, либо о переспросе блока 2 первого уровня, либо об отсеве анализируемого слова. Переспрос блока 2 заключается в команде на увеличение R_nop (формула 3) и проведение повторного отбора кандидатов уже с увеличенным значением R_nop (формула 3).

Таким образом, применение блока сегментации позволяет распознавать ключевые слова в слитной речи, а также применение линейных функций на первом уровне распознавания при проведении целословного анализа позволяет увеличить быстродействие системы.

Список литературы

1. Патент США №4881266, МПК G 10 L 5/06, 1989.

2. Патент США №5315689, МПК G 10 L 5/06, 1995.

3. Патент РФ №2103753, МПК G 10 L 5/06, опубликован 27.01.1998.

4. Дьяконов В.П. Вейвлеты. От теории к практике. - Москва: СОЛОН-Р, 2002.

1. Способ дикторонезависимого распознавания ключевых слов в слитной речи, содержащий двухуровневую обработку речевого сигнала с отбором на первом уровне наиболее вероятных кандидатов эталонов для анализируемого слова, выбором на втором уровне наиболее вероятной альтернативы из отобранных кандидатов и анализ результатов распознавания речевого сигнала с принятием решения, отличающийся тем, что поток слитной речи сегментируют и выделенные отдельные слова подают поочередно на двухуровневую обработку речевого сигнала, при этом анализ и обработка речевого сигнала при сегментации и двухуровневой обработке проводится в частотно-временной области, представленной с помощью вейвлет-преобразования.

2. Способ по п.1, отличающийся тем, что в при выделении наиболее вероятных кандидатов с применением целословного анализа измеряют расстояние от анализируемого слова до эталонов с применением линейных функций.

3. Способ по п.1, отличающийся тем, что при принятии решения формируют три вида решения: либо о распознанном ключевом слове, либо о переспросе блоку первого уровня на расширение числа кандидатов, либо об отсеве анализируемого слова.