DE69534942T2

DE69534942T2 - System zur sprecher-identifizierung und-überprüfung

Info

Publication number: DE69534942T2
Application number: DE69534942T
Authority: DE
Inventors: J. Richard Bridgewater MAMMONE; T. Khaled Tempe ASSALEH
Original assignee: Rutgers State University of New Jersey
Current assignee: Rutgers State University of New Jersey
Priority date: 1994-02-28
Filing date: 1995-02-28
Publication date: 2006-12-07
Anticipated expiration: 2015-03-01
Also published as: US5522012A; AU683370B2; EP0748500A4; AU2116495A; EP0748500B1; EP0748500A1; CN1142274A; JPH10500781A; MX9603686A; CA2184256A1; WO1995023408A1; DE69534942D1; ATE323933T1

Description

HINTERGRUND DER ERFINDUNG
1. Erfindungsgebiet
Die vorliegende Erfindung betrifft ein Sprecher-Erkennungssystem oder eine ähnliche Vorrichtung, die eine adaptive Gewichtung von Komponenten in jedem Sprachrahmen für die Normierung des Sprachspektrums anwendet, wodurch Kanaleinflüsse verringert werden.
2. Beschreibung des betreffenden Standes der Technik
Die Aufgabe eines Sprecher-Identifizierungssystems ist es, aus einer Äußerung zu bestimmen, um welchen Sprecher es sich handelt. Alternativ ist es eine Aufgabe des Sprecher-Überprüfungssystems, anhand einer Äußerung die von einem Sprecher beanspruchte Identität zu überprüfen. Systeme zur Sprecher-Identifizierung und Sprecher-Überprüfung können in der allgemeinen Kategorie von Sprecher-Erkennungssystemen definiert werden.
Es ist bekannt, dass typische Telefon-Vermittlungssysteme Rufe zwischen denselben Start- und Endstandorten oft über unterschiedliche Kanäle leiten. Ein Sprachspektrum, das auf jedem der Kanäle bestimmt wird, kann wegen der Einflüsse des Kanals eine unterschiedliche Form aufweisen. Außerdem kann ein Sprachspektrum, das in einer verrauschten Umgebung erzeugt wird, eine andere Form aufweisen als ein Sprachspektrum, das durch denselben Sprecher in einer ruhigen Umgebung erzeugt wird. Die Spracherkennung auf unterschiedlichen Kanälen oder in einer verrauschten Umgebung ist deshalb wegen der Veränderungen im Sprachspektrum aufgrund von Nicht-Vokaltrakt-Komponenten schwierig.
In herkömmlichen Verfahren wurde versucht, das Sprachspektrum zu normieren, um es hinsichtlich der spektralen Form zu korrigieren. Die US-Patentschrift Nr. 5,001,761 beschreibt eine Vorrichtung zur Sprachnormierung um eine bestimmte Frequenz herum, die einen Rauscheinfluss aufweist. Ein Sprachspektrum wird bei der vorgegebenen Frequenz abgeteilt. Für jedes abgeteilte Spektrum wird eine lineare Näherungslinie bestimmt, und die Näherungslinien werden für die Normierung des Spektrums bei der vorgegebenen Frequenz verbunden. Diese Vorrichtung weist den Nachteil auf, dass jeder Sprachrahmen nur für die vorgegebene Frequenz normiert ist, welche den Rauscheinfluss aufweist, und dass der Sprachrahmen nicht normiert ist hinsichtlich einer Verminderung von Nicht-Vokaltrakt-Einflüssen, die in dem Spektrum über einen Frequenzbereich hinweg auftreten können.
Die US-Patentschrift Nr. 4,926,488 beschreibt ein Verfahren zur Sprachnormierung für eine Verstärkung der Spracheingabe, um das Rauschen, das mit dem Sprachsignal einhergeht, zu berücksichtigen. Dieses Verfahren erzeugt Sprachmerkmalsvektoren. Ein Merkmalsvektor wird durch eine Operatorfunktion normiert, die eine Anzahl von Parametern enthält. Für den normierten Vektor wird ein nächstliegender Prototypvektor bestimmt, und die Operatorfunktion wird verändert, um den normierten Vektor näher an den nächstliegenden Prototyp zu schieben. Der geänderte Operatorvektor wird auf den nächsten Merkmalsvektor bei dessen Umformung in einen normierten Vektor angewendet. Dieses Patent weist die Einschränkung auf, dass es keine Nicht-Vokaltrakt-Einflüsse berücksichtigt, die über mehr als eine Frequenz hinweg auftreten könnten.
Das Sprechen wurde herkömmlicherweise in einer Form modelliert, welche den menschlichen Vokaltrakt nachbildet. Zur Beschreibung kurzer Sprachabschnitte wurde das lineare Vorhersagekodieren (Linear predictive coding, LPC) eingesetzt, indem Parameter verwendet wurden, die in ein Spektrum von Lagen (Frequenzen) und Formen (Bandbreiten) von Spitzenwerten in der spektralen Hüllkurve der Sprachelemente transformiert werden können. Cepstral-Koeffizienten stellen die inverse Fourier-Transformation des Logarithmus des Leistungsspektrums eines Signals dar. Die Cepstral-Koeffizienten können aus dem Frequenzspektrum oder aus den linearen Vorhersage-(LP)-Koeffizienten abgeleitet werden. Die Cepstral-Koeffizienten können als maßgebliche Merkmale für die Sprechererkennung verwendet werden. Gewöhnlich werden zwölf Cepstral-Koeffizienten für jeden Sprachrahmen gebildet.
Es wurde festgestellt, dass für das Synthetisieren oder Erkennen von Sprache ein reduzierter Satz von Cepstral-Koeffizienten verwendet werden kann. In der US-Patentschrift Nr. 5,165,008 wird ein Verfahren zum Synthetisieren von Sprache beschrieben, in dem fünf Cepstral-Koeffizienten für jedes Segment von sprecherunabhängigen Daten verwendet wird. Der Satz von fünf Cepstral-Koeffizienten wird durch lineare Vorhersageanalyse festgelegt, um einen Koeffizientengewichtungsfaktor zu bestimmen. Der Koeffizientengewichtungsfaktor minimiert einen nicht quadrierten Vorhersagefehler eines jeden Elements eines Vektors im Vokaltrakt-Quellraum. Auf jeden Sprachrahmen werden die gleichen Koeffizienten-Gewichtungsfaktoren angewendet, und die Nicht-Vokaltrakt-Einflüsse werden nicht berücksichtigt.
Der der Erfindung nächstkommenste Stand der Technik wird in Hangai u.a. „Speaker Identification Based on Multiple Excitation and LPC Vocal-Tract Model", ICSLP 1990, S. 1269–1272 offenbart, wo eine schnelle Technik zur Sprecheridentifizierung beschrieben wird, in der lediglich einige Glottallautparameter kombiniert mit einigen LPC-Vokaltraktparametern verwendet werden. Für Selbstlautsignale wird der Vokaltrakt durch eine Allpol-Übertragungsfunktion modelliert, für glottale Signale wird ein Mehrpuls-Stimmritzenerregungsmodell verwendet.
Es ist wünschenswert, ein Spracherkennungssystem bereitzustellen, in dem das Sprachspektrum normiert ist, um eine adaptive Gewichtung von Sprachkomponenten für jeden Sprachrahmen bereitzustellen, um die Vokaltraktmerkmale des Signals zu verbessern, während die Nicht-Vokaltrakt-Einflüsse verringert werden.
KURZDARSTELLUNG DER ERFINDUNG
Das Verfahren der vorliegenden Erfindung nutzt die Tatsache, dass es einen Unterschied zwischen Sprachkomponenten und Nicht-Vokaltrakt-Komponenten in Verbindung mit der Form eines Spektrums für die Komponenten bezüglich der Zeit gibt. Es wurde festgestellt, dass Nicht-Vokaltrakt-Komponenten, wie z.B. Kanal- und Rauschkomponenten, im Spektrum eine Bandbreite aufweisen, die wesentlich größer ist als die Bandbreite für die Sprachkomponenten. Die Sprachaufklärung wird durch Abschwächen der Komponenten mit einer großen Bandbreite verbessert, während die Komponenten mit einer kleinen Bandbreite, die zur Sprache gehören, hervorgehoben werden. Die verbesserte Sprachaufklärung kann in solchen Erzeugnissen, wie Hochleistungs-Spracherkennungsvorrichtungen, verwendet werden.
Das Verfahren umfasst die Analyse eines analogen Sprachsignals durch Umwandeln des analogen Sprachsignals in die digitale Form, um fortlaufende Digitalsprachrahmen zu erzeugen. Die Digitalsprachrahmen werden eingehend analysiert, wobei die lineare Vorhersageanalyse verwendet wird, um ein Sprachspektrum und einen Satz von Sprachparametern, die als Vorhersagekoeffizienten bekannt sind, abzuleiten. Die Vorhersagekoeffizienten weisen eine Anzahl von Polen eines Allpol-Filters auf, welche die Komponenten der Sprachrahmen charakterisieren. Die Komponenten des Spektrums können normiert werden, um den Beitrag der herausragenden Komponenten auf Basis ihrer zugehörigen Bandbreiten zu verstärken. Auf die Komponenten des Spektrums werden adaptive Komponentengewichtungen angewendet, um die Komponenten zu verstärken, die mit der Sprache verbunden sind, und die Komponenten abzuschwächen, die mit nicht sprachlichen Einflüssen verbunden sind. Auf der Basis des normierten Spektrums werden Cepstral-Koeffizienten bestimmt, um verstärkte Merkmale des Sprachsignals bereitzustellen. Die verbesserte Klassifizierung wird in einem Sprechererkennungssystem auf der Basis der verstärkten Merkmale ausgeführt.
Vorzugsweise kann das Sprechererkennungssystem der vorliegenden Erfindung zur Überprüfung der Identität einer Person über ein Telefonsystem für Kreditkartengeschäfte, Telefonabrechnungskartengeschäfte und für die Zugangsgewährung in Computernetze verwendet werden. Außerdem kann das Sprechererkennungssystem für sprachaktivierte Schließeinrichtungen für Türen, sprachaktivierte Fahrzeugantriebe und sprachaktivierte Computersysteme verwendet werden.
Die Erfindung wird weiter mit Bezugnahme auf die folgenden Zeichnungen verständlich.
KURZE BESCHREIBUNG DER ZEICHNUNGEN
1 ist ein Flussdiagramm des Systems der vorliegenden Erfindung während des Trainings des Systems.
2 ist ein Flussdiagramm des Systems der vorliegenden Erfindung während der Sprecher-Identifizierung oder -Überprüfung.
3 ist ein Flussdiagramm des Verfahrens der vorliegenden Erfindung für die Rahmenauswahl und die Merkmalsgewinnung.
4 ist ein Blockdiagramm eines Experiments zur Empfindlichkeit von LP-Spektralkomponentenparametern, die schmale und breite Bandbreiten mit Bezug auf einen Zufalls-Einzelabgriffskanal aufweisen.
5A ist eine Histogrammanalyse für eine Breitbandkomponente ω_bb.
5B ist eine Histogrammanalyse für eine Breitbandkomponente B_bb.
5C ist eine Histogrammanalyse für eine Breitbandkomponente r_bb.
6A ist eine Histogrammanalyse für eine Schmalbandkomponente ω_nb.
6B ist eine Histogrammanalyse für eine Schmalbandkomponente B_nb.
6C ist eine Histogrammanalyse für eine Schmalbandkomponente r_nb.
7A ist eine grafische Darstellung der Komponente eines LP-Spektrums vom Stand der Technik.
7B ist eine grafische Darstellung der Komponenten des ACW-Spektrums.
8A ist eine grafische Darstellung der Komponenten eines LP-Spektrums vom Stand der Technik nach der Bearbeitung durch einen Einzelabgriffskanal mit (1 – 0,9 z^–1).
8B ist eine grafische Darstellung der Komponenten des ACW-Spektrums nach der Bearbeitung durch einen Einzelabgriffskanal mit (1 – 0,9 z^–1).
AUSFÜHRLICHE BESCHREIBUNG DER ERFINDUNG
In der gesamten Beschreibung werden gleiche Ziffern verwendet, um gleiche Elemente gemäß den verschiedenen Figuren, welche die Erfindung veranschaulichen, zu kennzeichnen.
1 veranschaulicht ein schematisches Diagramm des Spracherkennungssystems 10 während des Systemtrainings. Einem Analog-Digital-Wandler 12 wird ein Sprachtrainings-Eingabesignal 11 zugeführt, um fortlaufende Digitalsprachrahmen bereitzustellen. Das Merkmalsgewinnungsmodul 13 empfängt die Digitalsprachrahmen. Das Merkmalsgewinnungsmodul 13 erhält charakteristische Parameter der Digitalsprachrahmen. Zur Sprechererkennung sind die Merkmale, die im Merkmalsgewinnungsmodul 13 gewonnen wurden, für den Sprecher eindeutig, um eine adäquate Sprechererkennung zu ermöglichen.
Die Sprechermodellierung wird im Block 15 ausgeführt, indem die Merkmale im Merkmalgewinnungsmodul 13 verstärkt werden. Das Sprechermodellierungsmodul 15 kann auch die Anzahl der gewonnenen Merkmale auf die dominierenden Merkmale zurückführen, die für die Sprecherkennung benötigt werden. Die Klassifikation wird an den verstärkten Merkmalen ausgeführt. Vorzugsweise kann die Klassifikation mit einem herkömmlichen Vektorquantisierungsverfahren ausgeführt werden, um ein universelles Kodebuch für jeden Sprecher zu erzeugen. Alternativ kann die Klassifikation durch Mehrschichtwahrnehmung, neuronale Netze, Radialbasisfunktionsnetze und Hidden-Markov-Modelle ausgeführt werden. Es ist einzusehen, dass andere Klassifikationsverfahren, die vom Stand der Technik her bekannt sind, mit den Lehren aus der vorliegenden Erfindung verwendet werden könnten.
In 2 ist ein Sprechererkennungssystem 10 für die Sprecher-Identifizierung und -Überprüfung dargestellt. Im Analog-Digital-Wandler 12 wird ein Sprachbewertungs-Eingabesignal 16 digitalisiert und auf das Merkmalgewinnungsmodul 13 angewendet. Die verstärkten Merkmale des Spracheingabesignals werden bei einem Musterabstimmungsmodul 17 aufgenommen. Das Nlusterabstimmungsmodul 17 bestimmt die stärkste Übereinstimmung in dem universellen Kodebuch oder Beispielklassifikationssystem, um entweder die Identifizierung des Sprechers festzustellen oder zu bestätigen, dass der Sprecher einen Eintrag im universellen Kodebuch aufweist.
3 veranschaulicht ein Flussdiagramm einer bevorzugten Ausführungsform für die Ausführung eines Merkmalgewinnungsblocks 13. Ein Sprachrahmen s(k) kann durch ein Modulationsmodell (MM) dargestellt werden. Das Modulationsmodell (MM) enthält Parameter, welche eine Anzahl N von amplitudenmodulierten (AM) und frequenzmodulierten (FM) Komponenten kennzeichnen. Der Sprachrahmen kann durch die folgende Formel dargestellt werden:
wobei A_i(k) die Amplitudenmodulation der i-ten Komponente, Φ_i(k) die momentane Phase der i-ten Komponente und η(k) der Modellierungsfehler ist.
Die Amplitudenmodulationskomponente A_i(k) und die momentane Phasenkomponente Φ_i(k) sind typische Schmalbandsignale. Zum Bestimmen der Modulationsfunktionen über ein Zeitintervall einer Teilungsperiode kann die lineare Vorhersageanalyse verwendet werden, um zu erhalten:
wobei G_i die Komponentenverstärkung, B_i die Bandbreite, ω_i die Mittenfrequenz und Θ_i die relative Verzögerung ist.
Das Sprachsignal s(k) wird auf den Block 112 angewendet, um im Block 114 lineare Vorhersagekodierungs-(LPC)-Koeffizienten zu erhalten. Ein LP-Polynom A(z) für das Sprachsignal kann durch die folgende Gleichung
erhalten werden, wobei die a_i die linearen Vorhersagekoeffizienten sind und P die Ordnung der Koeffizienten ist.
In der linearen Vorhersagekodierungsanalyse kann die Übertragungsfunktion des Vokaltraktes durch ein zeitabhängiges Allpol-Filter modelliert werden, das durch eine LP-Analyse P-ter Ordnung gegeben ist, die wie folgt definiert ist:
Die Wurzeln von A(z) können im Block 116 mittels Faktorisieren des LP-Polynoms A(z) hinsichtlich seiner Wurzeln bestimmt werden, was ergibt:
wobei die z_i die Wurzeln des LP-Polynoms A(z) sind und P die Ordnung des LP-Polynoms ist. Im Allgemeinen sind die Wurzeln des LP-Polynoms komplex und liegen bei einem radialen Abstand von etwa eins vom Ursprung der komplexen z-Ebene entfernt.
Es wird eine neue Übertragungsfunktion Ĥ(z) bestimmt, um die Komponenten mit einer großen Bandbreite, die zu den Nicht-Vokaltrakt-Einflüssen gehören, abzuschwächen und die Komponenten mit einer kleinen Bandbreite, die zur Sprache gehören, hervorzuheben.
Ĥ(z) kann in einer Form gleichlaufend zu Gleichung 108 durch eine Partialbruchentwicklung als
dargestellt werden, wobei das Residuum r_i den Beitrag einer jeden Komponente (1 – z_i z^–1) zur Funktion Ĥ(z) darstellt. Die Residuen r_i stellen die relative Verstärkung und die Phasenverschiebung einer jeden Komponente i dar, welche als die spektrale Neigung des zusammengesetzten Spektrums definiert werden kann.
Der Rahmenauswahlblock 118 wählt aus oder verwirft Sprachrahmen 112 für die weitere Bearbeitung auf Basis der Zahlenwurzeln, die in einem festgelegten Bereich in der z-Ebene innerhalb eines Einheitskreises liegen.
Im Block 120 wird für jeden ausgewählten Rahmen
gebildet. Im Block 122 werden die Koeffizienten (b_i) derart berechnet, dass
ist. Durch Normieren der Residuen ergibt r_i einen anteiligen Beitrag jeder Komponente i zum Spektrum ausgehend von ihrer Bandbreite. Das Normieren der Residuen r_i wird ausgeführt, indem die r_i gleich einer Konstanten, wie z.B. Eins, gesetzt werden. Zum Beispiel ist dann, wenn r_i gleich Eins gesetzt wird, der Beitrag der Komponente i ungefähr:
was äquivalent ist zur Gleichung
Ausgehend von Gleichung 114 wird gezeigt, dass der Beitrag einer jeden Komponente i indirekt proportional zu ihrer Bandbreite B_i ist, und wenn eine Komponente i eine große Bandbreite B_i aufweist, wird der Wert der Gleichung 114 kleiner sein als dann, wenn die Komponente i eine kleine Bandbreite B_i aufweist. Das Normieren der Residuen r_i kann als eine adaptive Komponentengewichtung (ACW) definiert werden, welche im Block 122 als eine Gewichtung der Spektralkomponenten eines jeden Sprachrahmens auf Basis der Bandbreite Anwendung findet.
Ausgehend von den obigen Erkenntnissen wird auf der Basis von ACW eine neue Übertragungsfunktion Ĥ(z) durch die folgende Gleichung dargestellt
welche die Nicht-Vokaltrakt-Komponenten abschwächt, während sie die Sprachkomponenten verstärkt.
Ausgehend von Gleichung 115 wird gezeigt, das Ĥ(z) keine Allpol-Übertragungsfunktion ist. Ĥ(z) weist eine Gleitdurchschnittskomponente (MA) auf, die von der Ordnung P – 1 ist, welche den Beitrag der Sprachkomponenten des Signals normiert.
Vom Stand der Technik her ist bekannt, dass Cepstral-Komponenten als spektrale Informationen verwendet werden, wie in M. R. Schroeder, Direct (nonrecursive) relations between cepstral and predictor coefficients, Proc. IEEE 29, 297–301, April 1981, dargestellt ist. Der Block 124 bestimmt den Cepstral-Koeffizienten c(n), welcher den LP-Koeffizienten a_i entspricht. Im Block 126 wird die adaptive Komponentengewichtung
festgelegt, wobei der Cepstral-Koeffizient c_N(n) zu den adaptiven Komponentengewichtungskoeffizienten b_i gehört und die c_N(n) aus der Rekursionsbeziehung mit den Koeffizienten b_k aus N(z), das in Gleichung (7) gegeben ist, berechnet werden können. Diese Beziehung ist gegeben durch
Im Block 128 wird das ACW-Cepstrum berechnet. Das ACW-Cepstrum ĉ(n) kann definiert werden als die inverse z-Transformierte des natürlichen Logarithmus des ACW-Cepstrums Ĥ(z).
Somit ist das ACW-Cepstrum ĉ(n) gegeben durch ĉ(n) = c(n) – cN(n).
In einer alternativen Ausführungsform können die Cepstral-Koeffizienten in der folgenden Beziehung durch die Potenzsumme der Pole definiert werden, die zum Cepstral-Index normiert sind:
wobei c_n der Cepstral-Koeffizient ist.
Die Cepstral-Koeffizienten c_n können durch die Wurzel des LP-Polynoms A(z), das durch Gleichung 106 definiert ist, ausgedrückt werden als
Es ist bekannt, dass die Vorhersagekoeffizienten a_i reell sind. Die Wurzeln des LP-Polynoms A(z), das durch die Gleichung 106 definiert ist, sind entweder reell oder treten in komplex konjugierten Paaren auf. Jede Wurzel des LP-Polynoms A(z) ist in der folgenden Beziehung mit der Mittenfrequenz ω_i und der Bandbreite B_i verknüpft:
wobei die Mittenfrequenz ω_i und die Bandbreite B_i erhalten werden können aus:
mit Im(z_i) als den imaginären Wurzeln und Re(z_i) als den reellen Wurzeln und
Das Einsetzen von Gleichung 118 in die Gleichung 117 ergibt die Cepstral-Koeffizienten für das Sprachsignal s(k), das wie folgt definiert werden kann:
wobei der n-te Cepstral-Koeffizient cn eine nichtlineare Transformation der MM-Parameter ist. Der Quefrenzindex n entspricht der Zeitvariablen k in Formel 100, wobei die relativen Verzögerungen Φi gleich null und der relative Verstärkungsgrad G_i gleich eins gesetzt ist.
Aus der neuen Übertragungsfunktion Ĥ(z) kann ein Spektralkanal- und Neigungsfilter N(z) bestimmt werden. N(z) ist ein LP-Polynom, das den Kanal und die spektrale Neigung des Sprachspektrums verkörpert, welches definiert werden kann als:
wobei b die linearen Vorhersagekoeffizienten darstellt und P die Ordnung des Polynoms ist. Ein FIR-Filter, das die Sprachkomponenten des Signals normiert, kann definiert werden durch
Das Faktorisieren des LP-Polynoms N(z), wie es durch Gleichung 126 definiert ist, und von A(z), wie es durch Gleichung 110 definiert ist, ergibt die neue Übertragungsfunktion Ĥ(z), die wie folgt definiert ist:
wobei die z_i die Wurzeln des durch Gleichung 126 definierten LP-Polynoms sind.
Ein Spektrum mit einer adaptiven Komponentengewichtung (ACW) kann mittels der folgenden Gleichung
durch sein normiertes Cepstrum ĉ(n) dargestellt werden.
Für jeden digitalen Sprachrahmen wird ein normiertes Cepstrum ĉ(n) berechnet. Das normierte Cepstrum schwächt die Nicht-Vokaltrakt-Komponenten und verstärkt die Sprachkomponenten eines herkömmlichen Cepstralspektrums. Das festgelegte normierte Cepstralspektrum kann im Merkmalgewinnungsblock 13 oder Musterabstimmungsblock 17 verwendet werden.
Die Empfindlichkeit der Parameter (ω_i, B_i, r_i) mit Bezug auf Kanalveränderungen wurde experimentell mit dem folgenden Experiment ermittelt, das in 4 veranschaulicht ist.
Ein stimmgebundener Sprachrahmen 100 wird durch einen Zufalls-Einzelabgriffskanal 200 bearbeitet, der gegeben ist durch Θj(z) = 1 – ajz–1
Im Block 202 werden für jedes a_j, j = 1, 2 ... J, die Parameterfolgen (ω_i, B_i, r_i) berechnet. Zwei Parameterfolgen (ω_i, B_i, r_i), die eine Schmalbandkomponente (nb) und eine Breitbandkomponente (bb) darstellen, werden ausgewählt. Diese Komponenten werden als (ω_nb, B_nb, r_nb) bzw. (ω_bb, B_bb, r_bb) bezeichnet. Die Empfindlichkeit der Parameter der ausgewählten Schmalband- und Breitbandkomponenten wird durch den Histogrammanalyseblock 204 ermittelt.
Für die Breitbandkomponente sind die Histogramme der Parameter ω_bb, B_bb und r_bb in den jeweiligen 5A, 5B und 5C dargestellt. Die Breitbandhistogramme zeigen auf, dass die Mittenfrequenzen ω_bb, Bandbreiten B_bb und Residuen rbb, die zu den Breitbandkomponenten gehören, wesentlich größere Streuungen bezüglich der Veränderungen der Kanalparameter aufweisen. Die Breitbandkomponenten bringen eine unerwünschte Veränderlichkeit des LP-Spektrums mit sich, welche Fehlzuordnungen zwischen Merkmalen ähnlicher Sprachsignale, die durch unterschiedliche Kanäle bearbeitet wurden, erzeugt.
Für die Schmalbandkomponente sind die Histogramme der Parameter ω_nb, B_nb und r_nb in den jeweiligen 6A, 6B und 6C dargestellt. Die Schmalbandhistogramme zeigen auf, dass die Mittenfrequenzen ω_nb und die Bandbreiten B_nb, die mit den Schmalbandkomponenten verbunden sind, relativ unveränderlich bei Kanalveränderungen sind, da die Histogramme sehr kleine Streuungen aufweisen. Die Residuen, die mit den Schmalbandkomponenten verbunden sind, zeigen große Streuungen.
7A veranschaulicht die Zerlegung eines Sprachspektrums vom Stand der Technik für einen Sprecher über einen Kanal mit der Übertragungsfunktion H(z). Die mit 1–4 bezeichneten Komponenten stellen Resonanzen des Vokaltraktes dar. Ein Spitzenwert in der Resonanz tritt bei einer Mittenfrequenz auf, die durch ω₁–ω₄ bezeichnet ist. Jede Resonanz weist eine jeweilige Bandbreite auf, die mit B₁–B₄ bezeichnet ist. Die mit 5 und 6 bezeichneten Komponenten stellen Nicht-Vokaltrakt-Einflüsse dar. 7A zeigt, dass die mit B₅ und B₆ bezeichneten Bandbreiten, die Nicht-Vokaltrakt-Einflüsse darstellen, viel größer sind als die Bandbreiten B₁–B₄ für Sprachkomponenten.
7B veranschaulicht eine Zerlegung des in 4 gezeigten Sprachspektrums nach Anwenden der adaptiven Komponentengewichtungs-Übertragungsfunktion Ĥ(z). In 7B werden die Spitzenwerte der Komponenten 1–4 hervorgehoben und die Spitzenwerte der Komponenten 5 und 6 abgeschwächt.
8A veranschaulicht ein dem Stand der Technik entsprechendes Spektrum eines Sprachsignals einschließlich von Vokal- und Nicht-Vokaltrakt-Komponenten. 8B veranschaulicht ein Spektrum eines Sprachsignals nach Anwenden eines adaptiven Komponentengewichtungsfilters. 8B normiert die Spitzenwerte 1–4 auf einen Wert von ungefähr 30 dB zum Hervorheben der Sprachkomponenten des Signals.
Es wurde ein textunabhängiges Sprecheridentifizierungsbeispiel ausgeführt. Es wurde eine Untermenge einer DARPA-TIMIT-Datenbank verwendet, welche 38 Sprecher des gleichen Dialekts (New England) repräsentiert. Jeder Sprecher trug zehn Äußerungen mit einer mittleren Dauer von drei Sekunden pro Äußerung vor. Fünf Äußerungen wurden für das Trainingssystem 10 im Block 16 und fünf Äußerungen für die Bewertung im Block 18 verwendet. Ein erster Satz von Cepstral-Merkmalen, der aus der Übertragungsfunktion H(z) abgeleitet wurde, wurde mit einem zweiten Satz von Cepstral-Merkmalen verglichen, der aus der adaptiven Komponentengewichtungs-Übertragungsfunktion Ĥ(z) abgeleitet wurde.
Training und Test wurden ohne Kanaleinflüsse auf das Sprechsignal ausgeführt. Der erste Satz von Merkmalen der Cepstral-Merkmale aus H(z) und der zweite Cepstral-Satz aus Ĥ(z) wiesen dieselbe Wiedererkennungsrate von 93 % auf.
Training und Test wurden mit einem Sprachsignal einschließlich eines Kanaleinflusses ausgeführt, wobei der Kanal durch die Übertragungsfunktion (1 – 0,9 z^–1) simuliert wurde. Der erste Satz von Cepstral-Merkmalen, der aus H(z) bestimmt wurde, wies eine Wiedererkennungsrate von 50,1 % auf. Der zweite Satz von Cepstral-Merkmalen, der aus Ĥ(z) bestimmt wurde, wies eine Wiedererkennungsrate von 74,7 % auf. Es wurde eine Verbesserung von 24,6 % in der Wiedererkennungsrate bei einer Verwendung der Cepstral-Merkmale gefunden, die durch adaptive Komponentengewichtung bestimmt wurden.
Die vorliegende Erfindung weist den Vorzug auf, dass die Sprechererkennung über einen Kanal oder dergleichen durch Verbessern der Merkmale eines Sprachsignals verbessert wird. Nicht-Vokaltrakt-Komponenten des Sprachsignals werden abgeschwächt, und Vokaltrakt-Komponenten werden hervorgehoben. Die vorliegende Erfindung wird vorzugsweise zur Sprechererkennung über ein Telefonsystem oder in verrauschten Umgebungen verwendet.
Die Erfindung wurde zwar mit Bezugnahme auf die bevorzugte Ausführungsform beschrieben, diese Beschreibung ist jedoch nicht als eine Einschränkung gedacht. Durch Fachleute wird anzuerkennen sein, dass Abwandelungen ausgeführt werden können, ohne den Gültigkeitsbereich der Erfindung zu verlassen, wie er in den beigefügten Ansprüchen definiert ist.

Claims

Verfahren zur Sprechererkennung, das die Schritte umfasst: Fensteraufteilung (110) eines Sprachsignals in eine Vielzahl von Sprachrahmen; Bestimmen (114) linearer Vorhersagekoeffizienten (a_i) für jeden Sprachrahmen, wobei die linearen Vorhersagekoeffizienten dem LP-Polynom (A(z)) entsprechen, das den Nenner eines Allpol-Filters darstellt, das die Übertragungsfunktion (H(z)) des Vokaltrakts modelliert; Bestimmen (124) des ersten Cepstral-Koeffizienten (c(n)) aus den linearen Vorhersagekoeffizienten (a_i); Bestimmen (116) der Wurzeln des Allpol-Filters (z_i); Auswählen (118) eines der Rahmen, der eine vorgegebene Anzahl der Wurzeln in einem festgelegten Bereich in der z-Ebene innerhalb des Einheitskreises aufweist; für jeden ausgewählten Rahmen Ausführen der folgenden Schritte: a) Beschaffen (116) der Residuen (r_i) als den Zählern, die sich aus einer Partialbruchentwicklung (Ĥ(z)) der Übertragungsfunktion (H(z)) des Vokaltrakts ergeben; b) Hervorheben der Sprachformanten des Sprachsignals und Abschwächen der Restkomponenten durch Normieren (120) der Residuen (r_i); c) Bestimmen (122) eines Filters mit endlicher Impulsantwort (finite impulse response filter) (N(z)), der dem Zähler der so modifizierten Übertragungsfunktion des Vokaltrakts entspricht, wobei der Nenner der modifizierten Übertragungsfunktion das LP-Polynom (A(z)) ist; d) Bestimmen (126) zweiter Cepstral-Koeffizienten (c_N(n)) aus den Koeffizienten (b_i) des Filters mit endlicher Impulsantwort (finite impulse response filter) (N(z)); e) Subtrahieren (128) der zweiten Cepstral-Koeffizienten (c_N(n)) von den ersten Cepstral-Koeffizienten (c(n)) zum Ausbilden eines adaptiven Komponentengewichtungs-Cepstrums (ĉ(n)); Erkennen des adaptiven Komponentengewichtungs-Cepstrums durch Berechnen der Ähnlichkeit des adaptiven Komponentengewichtungs-Ceptrums und einer Vielzahl von Sprachmustern, die durch eine Vielzahl von sprechenden Personen im Voraus erzeugt wurden.
Verfahren nach Anspruch 1, das ferner den Schritt umfasst: Klassifizieren des adaptiven Komponentengewichtungs-Cepstrums in einem Klassifikationsmittel als die Vielzahl von Sprachmustern.
Verfahren nach Anspruch 2, das ferner den Schritt umfasst: Bestimmen der Ähnlichkeit des adaptiven Komponentengewichtungs-Cepstrums mit den Sprechmustern durch Abstimmen des adaptiven Komponentengewichtungs-Cepstrums mit dem klassifizierten adaptiven Komponentengewichtungs-Cepstrum in dem Klassifikationsmittel.
System zur Sprechererkennung, das umfasst: Mittel zur Fensteraufteilung (110) eines Sprachsignals in eine Vielzahl von Sprachrahmen; Mittel zum Bestimmen (114) linearer Vorhersagekoeffizienten (a_i) für jeden Sprachrahmen, wobei die linearen Vorhersagekoeffizienten dem LP-Polynom (A(z)) entsprechen, das den Nenner eines Allpol-Filters darstellt, das die Übertragungsfunktion (H(z)) des Vokaltrakts modelliert; Mittel zum Bestimmen (124) des ersten Cepstral-Koeffizienten (c(n)) aus den linearen Vorhersagekoeffizienten (a_i); Mittel zum Bestimmen (116) der Wurzeln des Allpol-Filters (z_i); Mittel zum Auswählen (118) eines der Rahmen, der eine vorgegebene Anzahl der Wurzeln in einem festgelegten Bereich in der z-Ebene innerhalb des Einheitskreises aufweist; für jeden ausgewählten Rahmen Mittel zum Ausführen der folgenden Schritte: a) Beschaffen (116) der Residuen (r_i) als den Zählern, die sich aus einer Partialbruchentwicklung (Ĥ(z)) der Übertragungsfunktion (H(z)) des Vokaltrakts ergeben; b) Hervorheben der Sprachformanten des Sprachsignals und Abschwächen der Restkomponenten durch Normieren (120) der Residuen (r_i); c) Bestimmen (122) eines Filters mit endlicher Impulsantwort (finite impulse response filter) (N(z)), der zu dem Zähler der so modifizierten Übertragungsfunktion des Vokaltrakts gehört, wobei der Nenner der modifizierten Übertragungsfunktion das LP-Polynom (A(z)) ist; d) Bestimmen (126) zweiter Cepstral-Koeffizienten (c_N(n)) aus den Koeffizienten (b_i) des Filters mit endlicher Impulsantwort (finite impulse response filter) (N(z)); e) Subtrahieren (128) der zweiten Cepstral-Koeffizienten (c_N(n)) von den ersten Cepstral-Koeffizienten (c(n)) zum Ausbilden eines adaptiven Komponentengewichtungs-Cepstrums (ĉ(n)); Mittel zum Erkennen des adaptiven Komponentengewichtungs-Cepstrums durch Berechnen der Ähnlichkeit des adaptiven Komponentengewichtungs-Cepstrums und einer Vielzahl von Sprachmustern, die durch eine Vielzahl von sprechenden Personen im Voraus erzeugt wurden.
System nach Anspruch 4, das ferner umfasst: Mittel zum Klassifizieren des adaptiven Komponentengewichtungs-Cepstrums als eine Vielzahl von Sprachmustern.