[發(fā)明專利]在智能漢語語音口述記錄校正中使用字符描述器有效輸入模糊字符

在審

• 申請(qǐng)?zhí)枺?/td>: 201280075499.1
• 申請(qǐng)日: 2012-09-07
• 公開（公告）號(hào): CN104756183A
• 公開（公告）日: 2015-07-01
• 發(fā)明（設(shè)計(jì)）人: 李偉;徐然;任曉琳
• 申請(qǐng)（專利權(quán)）人: 紐昂斯通訊公司
• 主分類號(hào): G10L15/22
• 分類號(hào): G10L15/22
• 代理公司: 北京安信方達(dá)知識(shí)產(chǎn)權(quán)代理有限公司 11262
• 代理人: 寧曉;鄭霞

描述了用于漢語語音識(shí)別輸入的用戶消歧的計(jì)算機(jī)實(shí)現(xiàn)的方法。從用戶接收用于自動(dòng)語音識(shí)別的漢語語音輸入。也從用戶接收描述語音輸入中的一個(gè)或多個(gè)字符的自發(fā)字符描述提示。然后基于字符描述提示來執(zhí)行語音輸入的自動(dòng)語音識(shí)別以確定對(duì)應(yīng)于語音輸入的一個(gè)或多個(gè)漢語語言字符。

本申請(qǐng)要求通過引用被并入本文的2012年8月29日提交的美國(guó)臨時(shí)專利申請(qǐng)61/694,450的優(yōu)先權(quán)。

技術(shù)領(lǐng)域

本發(fā)明涉及漢語中的自動(dòng)語音識(shí)別，且具體地涉及基于自發(fā)用戶字符描述提示的漢語字符的消歧。

背景技術(shù)

自動(dòng)語音識(shí)別(ASR)系統(tǒng)確定語音輸入的語義意義。通常，輸入語音被處理成一序列數(shù)字語音特征幀。每個(gè)語音特征幀可被考慮為代表在短的語音時(shí)間窗期間存在的語音信號(hào)的各種特征的多維矢量。例如，可從語音信號(hào)的短時(shí)傅立葉變換頻譜的倒譜特征(MFCC)——給定頻帶的短時(shí)功率或分量——以及相應(yīng)的第一和第二階導(dǎo)數(shù)(“δ”和“δ-δ”)得到每個(gè)語音幀的多維矢量。在連續(xù)識(shí)別系統(tǒng)中，可變數(shù)量的語音幀被組織為代表后面是停頓的一段時(shí)間的語音的“發(fā)音”，這在現(xiàn)實(shí)生活中不嚴(yán)謹(jǐn)?shù)貙?duì)應(yīng)于說出的句子或短語。

ASR系統(tǒng)比較多個(gè)輸入語音幀以查找最好地匹配語音特征特性的統(tǒng)計(jì)模型，并接著確定與統(tǒng)計(jì)模型相關(guān)的相應(yīng)的代表性文本或語義意義。現(xiàn)代統(tǒng)計(jì)模型是狀態(tài)序列模型，例如使用高斯分布的混合來模仿語音聲音(通常是音素)的隱馬爾可夫模型(HMM)。這些統(tǒng)計(jì)模型常常代表被稱為PEL(語音要素)的特定上下文中的音素，例如具有已知的左上下文和/或右上下文的三音子或音素。狀態(tài)序列模型可按比例增加以將詞表示為聲音建模的音素的連接序列、或?qū)⒍陶Z或句子表示為詞的連接序列。當(dāng)統(tǒng)計(jì)模型被一起組織為詞、短語和句子時(shí)，額外的語言相關(guān)的信息也一般合并到以語言建模的形式的模型中。

與最佳匹配模型結(jié)構(gòu)相關(guān)的詞或短語被稱為識(shí)別候選項(xiàng)或假設(shè)。系統(tǒng)可產(chǎn)生單個(gè)最佳識(shí)別候選項(xiàng)——識(shí)別結(jié)果——或被稱為N最佳列表的幾個(gè)假設(shè)的列表。在標(biāo)題為“連續(xù)語音識(shí)別(Continuous Speech Recognition)”的編號(hào)為5,794,189的美國(guó)專利和標(biāo)題為“語音識(shí)別語言模型(Speech Recognition Language Models)”的編號(hào)為6,167,377的美國(guó)專利中提供了關(guān)于連續(xù)語音識(shí)別的另外的細(xì)節(jié)，這兩個(gè)專利的內(nèi)容通過引用被并入本文。

在語音識(shí)別中的完美準(zhǔn)確性不能被實(shí)現(xiàn)，且在識(shí)別結(jié)果中的一些詞將不可避免地需要校正。在例如駕駛的一些情況中，手操作是不可用的，且所有校正需要只通過話音命令來實(shí)現(xiàn)。

對(duì)于西方語言，通常在單詞級(jí)別上來完成識(shí)別校正(例如，通過再次說出正確的單詞)。如果單詞太模棱兩可或由于其他原因難以識(shí)別，則用戶可總是能夠依靠拼讀該單詞來輸入它。然而漢語詞由不能被拼寫的一個(gè)或多個(gè)音調(diào)字符組成，且語音識(shí)別引擎必須正確地識(shí)別期望字符。

在漢語中的基本獨(dú)立語音單位是字符，其像在西方語言中的單詞所起的作用一樣在句子中起重要的作用。當(dāng)輸入不能被語言模型和統(tǒng)計(jì)頻率引導(dǎo)的名字、地址、專有名詞和商標(biāo)時(shí)，準(zhǔn)確的字符輸入是十分重要的。而且，通過話音或拼音的字符輸入很難，因?yàn)楹芏嘧址灿孟嗤陌l(fā)音。例如，如圖1所示，字符“李”與248個(gè)其它字符共用“Li”的發(fā)音。因此非常難以在不告知上下文的情況下準(zhǔn)確地口述記錄或識(shí)別單個(gè)漢語字符。

講漢語的人已經(jīng)接受了描述和弄清楚在日常對(duì)話中的給定字符的方式：

·通過使用在示例詞、短語或?qū)Ｓ忻~(例如著名人士的名字、品牌或廣告)中的字符

·通過說出期望字符的一個(gè)或多個(gè)偏旁部分

·通過說出期望字符的一個(gè)或多個(gè)結(jié)構(gòu)要素

·通過提供期望字符的音調(diào)描述信息

概述