Машины, которые говорят и слушают

Машины, которые говорят и слушают

УДК 621.391

Рассмотрены современныэ тенденции развития систем автоматического

распознавания и синтеза речевых сигналов. Освещены проблемы построения

алгоритмов распознавания в неадаптивных системах речевого управления.

Описаны эксперименты по созданию систем автоматического речевого

запроса экономической информации с элементами автоматического обучения.

Книга рассчитана на научных работников, инженеров и студентов,

специализирующихся по технической кибернетике и теории информации.

Работу рецензировали и рекомендовали к изданию:

академик АН СССР А.А.Дородницын кандидат физико-математических наук

М.Н.Маричук© Издательство "Штиинца",1985 г.

О I5Q3000000 - 62 39-85 M755(I2) - 85

ВВЕДЕНИЕ

Проблема реализации речевого диалога человека и технических средств -

актуальная задача современной кибернетики. В настоящее время пользователями

вычислительных машин и средств, оснащенных вычислительными машинами,

становятся люди, не являющиеся специалистами в области

программирования. Особенно актуальной стала задача общения человека и

ЭВМ с появлением микропроцессоров и больших интегральных схем. Новая

технология оказала прогрессивное влияние на психологию как

разработчиков современных многопроцессорных ЭВМ .так и неспециалистов-

пользователей,не подготовленных к тому, чтобы пользоваться сложной

функциональной клавиатурой, языком программирования, комплексными

средствами управления техникой. Проблема речевого управления возникла,

кроме того,в связи с тем, что в некоторых областях применения речь

стада единственно возможным средством оощения с техникой (в условиях

перегрузок, темноты или резкого изменения освещенности,при занятости

рук, чрезвычайной сосредоточенности внимания на объекте, который не

позволяет отвлечься ни на секунду, и т.д.).

Массовое внедрение различных бытовых технических средств, содержащих

микропроцессоры и другие большие интегральные схемы, в частности,

сложных микрокалькуляторов, пег-зональных ЭВМ, также требует упрощения,

"демократизации" систем управления такими средствами. Мы должны

пользоваться новой сложной техникой так же, как пользуемся часами,

радиоприемником, стиральной машиной.Приближается время, когда будут

созданы "механические слуги" человека - роботы, помогающие в быту,

выполняющие работу по уборке помещения, оказывающие помощь в

сельскохозяйственных и строительных работах и т.д. Безусловно, человек

будет заинтересован в голосовом управлении сложной бытовой техникой и в

конечном счете такими роботами.

Ближайшие перспективы развития вычислительной техники, создание

высокопроизводительных ЭВМ пятого поколения, надеденных способностью

анализировать зрительные и звуковые образы, также

3

требуют того, чтобы задачи автоматического распознавания и синтеза

речевых сигналов не оставались без внимания. Невозможно предположить,

чтобы вычислительные системы обладали производительностью в десятки и

сотни миллионов операций в секунду и в качестве вводных устройств

использовали традиционную клавиатуру дисплея, перфоленты или перфокарты.

В первой главе рассматривается современное состояние автоматического

распознавания и синтеза речевых сигналов (по публикациям до 1981 г.

включительно). Отмечается возрастающий поток публикаций по этим

проблемам, причем многие работы посвящены вопросам практического

построения систем распознавания и синтеза речи на специализированных

микроЭВМ. В настоящей монографии не нашли отражение работы,

опубликованные после 1981 г., так как материалы к публикации

готовились в основном до бтого времени. (южно лишь отметить, что за 1982

и 1983 гг. практическое направление работ в области автоматического

распознавания и синтеза речи интенсифицировалось. В нашей стране

появились первые промышленные системы автоматического ввода/вывода

речевой информации - "ИКАР", разработанная в НИИСчетмаше (г.Москва), СРД-

1,изготовленная в ОКБ Института кибернетики АН УССР им. В.М.Глушко-ва, и

Марс, созданная Минским отделением ЦНИИС. Эти системы,широко

демонстрировавшиеся на ВДНХ и других промышленных выставках, обладают

примерно сходными техническими характеристиками -они обучаются,

настраиваются на голос конкретного пользователя и словарь, достигающий

йОО слов, и обеспечивают точность распознавания около 95& и реальное

время распознавания. В качестве метода, обеспечивающего нелинейное

сравнение входных реализации и эталонов, используется динамическое

программирование. Большие успехи в области создания систем такого рода

достигнуты также в QUA и Японии. В США с 1982 г. начал выходить

специальный журнал Speech Technology (Речевая технология), в котором

описываются области применения промыиленных систем распознавания и

синтеза речи, их тестирование, технические характеристики и

технологические особенности.

В монографии основное внимание уделяется описанию систем

распознавания речи, работающих без предварительной настройки на

диктора. Авторы в течение ряда лет совместно работали над этой

проблемой в Вычислительном центре Академии наук СССР.Идеология

неадаптивных систем распознавания сложилась еще в 60-е гг.-в совместных

разработках Вычислительного центра и Института проблем передачи

информации АН СССР. Но основные результаты, описанные в книге, получены

авторами в конце 70-х - начале 80-х гг.

Глава 1

СОВРЕМЕННЫЕ ТЕНДЕНЦИИ РАЗВИТИЯ ПРОБЛЕМЫ РЕЧЕВОГО ВЗАИМОДЕЙСТВИЯ

«ЧЕЛС ВЕК - ЭВМ»

§ I.I. Некоторые аспекты исследования речевых сигналов на

современном этапе

В 70-х гг. повысился интерес к проблемам исследования речи. Это

связано с возросшими успехами дискретной обработки сигналов на

современной микроэлектронной технике и широким распространением микроЭВМ

и мультимикроцессорньк систем, появление которых означало революцию в

информатике. Научные достижения в области автоматического распознавания и

синтеза речи поставили вопрос о практическом общении человека с миром

мощных по своей производительности и возможностям микроЭВМ на языке,

близком к естественному. Сложнейшая техника приблизилась к пользователю-

неспециалисту, и пользователь "потребовал", чтобы общение о ЭВМ (в

частности, с информационными и управляющими ЭВМ) производилось на

более привычном ему естественном языке.

В связи с этим привлекли внимание работы по созданию первых

промышленных устройств ограниченного речевого ввода и вывода информации,

а также достаточно широко разрекламированных систем автоматического

понимания естественной, слитной речи, над которыми работали в ОДА в

течение I972-I976 гг. по проекту айра.

Следует отметить, что автоматическое распознавание и синтез речи - не

единственное в речевых исследованиях, что привлекает внимание

специалистов и возможных потребителей.

Наряду с автоматическим распознаванием смысла сообщения и синтезом

речи (проблемами, которым в основном и посвящена настоящая монография),

исследователи речевых сигналов успешно решают задачи: автоматического

распознавания личности говорящего (т.е. решают задачу, кто это сказал),

автоматической верификации говорящего (подтверждение, тот ли конкретный

человек произнес эту фразу), оценки по голосу эмоционального состояния

оператора,распознавания речи, произносимой в другой воздушной среде

(гелиевая речь), определения по речевому сигналу патологии органов

речеобразования, разработки более совершенных методов преподавания

иностранных языков (выработка правильного акцента и интонации по картине

"эталонных" параметров речевого сигнала ), помощи лицам

с дефектами органов слуха и речеобразования, очистки и анализа

затупленной речи, создания систем узкополосной помехоустойчивой связи, а

также ряд других задач. Рассмотрение всех этих проблем не входило в

планы авторов, которые ограничиваются здесь простым их перечислением.

В данной главе кратко рассматриваются основные публикации по

проблемам автоматического распознавания и синтеза речи, появившиеся

в I976-I98I гг. Сведения о более ранних работах в этой области можно

получить из [58,79,8б].

В СЮ9] приводятся основные лаборатории США, Великобритании, Франции и

Западной Германии, тематика которых связана с автоматическим распознаванием

и синтезом речи. В [127] сообщается, что проблема построения машин,

способных воспринимать речь человека (желательно с использованием пра' л

естественного языка), остается главным направлением речевых исследований,

одной из ключевых проблем кибернетики. В [144] отмечается

возрастающий интерес к этой проблеме, связанный с увеличением спроса

на малые устройства распознавания слов и появлением новых компаний,

активно участвующих в создании промышленных систем автоматического

распознавания речи на новой технологической базе.

В нашей стране наблюдается широкий интерес к проблеме исследования

речевых сигналов. Регулярно проводятся всесоюзные школы-семинары по

проблеме автоматического распознавания слуховых образов (APGO). В каждой

союзной республике существуют лаборатории или группы, решающие эти

задачи.

Стало традиционным классифицировать системы автоматического

распознавания речи на адаптивные, работающие с подстройкой под диктора

и словарь, и неадаптивные, обеспечивающие работу с произвольным

диктором-носителем нормы произношения данного языка. К практическим

системам первого типа относятся vip- юо, WRS и ИКАР, СРД-1, МАРС, к

неадаптивным - экспериментальные системы лаборатории Bell, ВЦ и ИППИ АН

СССР, устройство фирмы Dialog Systems . Следует отметить, что

системы автоматического распознавания речи пока не получили широкого

распространения, хотя и выпускаются с 1973 г. серийно.

Более доведенными до уровня коммерческих образцов являются системы

автоматического речевого ответа, т.е. системы, основанные на

автоматическом синтезе речи. Промышленность США и Японии выпускает большими

партиями синтезаторы речи, ориэнтированные на самое разнообразное

применение, - от детских игрушек,оснащенных голосовым выводом, до мощных

информационных систем, отвечающих голосом по речевому запросу

пользователя. В основе современных

б

коммерческих систем речевого ответа лежат три основных способа синтеза -

непосредственное кодирование речевой волны (дискретизация и сжатие),

формантный синтез и синтез, основанный на линейном предсказании [5].

(Подробное описание достижений науки и промышленности в области

автоматического синтеза речи дано

в § 1.4).

В пятой главе подробно рассматриваются особенности разработанной

авторами экспериментальной запросной системы речевого ввода, работающей с

проблемно-ориентированным языком, словарный запас которого составляет 120

слов. Система базируется на аппаратурно-программном методе

распознавания, использующем информативные признаки речевых отрезков

^23,13,9?].

§ I. W l•/•л-номера соответственно признака,

сегмента в слове и слова во фразе.

Процесс распознавания слов начинался с выбора эталонов -претендентов,

идентичных входной реализации, и кодов макровре-ненной структуры и

отличных от нее числом квазифонетичвских сегментов на величину не более

заданного порога. Наиболее вероятные пары гипотез о слове принимались

методом динамического программирования. При этом учитывались лексические

ограничения на место слова во фразе. Далее блок семантико-синтаксического

анализа принимал решение об истинной последовательности слов во фразе. При

работе с шестью операторами и обучении системы на каждом из них

надежность распознавания слов составила 8836,а надежность распознавания

фраз за счет блока лингвистического анализа - 95%. Точность верификации

диктора по произвольной фразе - 96%. Система устойчива к внешним шумам

до 65 дБ.

Другая система, разработанная в Институте систем управления АН

ГрузССР,способна работать при более высоком урочне шумов (до 100 дБ и

выше) СЗб]. Основной особенностью этой системы распознавания фраз,

произносимых с паузами между словами, было наличие комплекса

помехозащищенных датчиков, который обеспечил приемлемое отношение

сигнал/шум на входе системы распознавания. В качестве приемника речевой

информации применялся ларингофон ЛЭМ-3, а также дополнительные

помехозащитные признаки устной речи, в качестве которых использовались

артикуляционные характеристики ре-чеобразования. Бесконтактные датчики

позволяли выделять:

- признак, отражающий изменение величины раствора ротовой щели во

время произнесения неогубя°нных звуков;

- признак степени огубяения;

- признак скорости воздушного потока у потового отверстия [42].

Зак.480

17

Изучение свойств речевого сигнала в пространстве выбранных признаков

позволило разработать процедуру описания слов, обеспечивающую

восстановление как макровременной (имеется в виду пос-хедовательность

звонких и глухих участков, а также пауз),так и квазифонемной структуры

речи. При испытании систем [ЗЬ,??] выявилась высокая точность

распознавания фраз. К сожалению,обе системы реализованы на ЭВМ Ы-200,

обладающей малым объемом оперативной памяти и слабым быстродействием,

из-за чего время распознавания фраз было в 30 - 50 раз больше реального.

В ранках традиционного аппаратурно-программного направления

автоматического распознавания речи ведутся работы в ВЦ и Институте

проблем передачи информации АН СССР [13,67,6?] .В основе метода лежит

алгоритмическая обработка выделяемых специальной аппаратурой информативных

параметров коротких отрезков речевого сигнала (сегментов длительностью 10-

20 мс). Последовательность этих отрезков и составляет высказывание,

которое требуется дешифрировать. Параметры (признаки) сегментов

характеризуют (в большей или меньшей степени) параметры речеобразующего

тракта человека, определяющие особенности порождаемых звуков.

В Cl3] рассмотрены алгоритмы распознавания названий чисел от нуля до

ста, причем система предусматривает реальное время распознавания и

произвольного диктора. Алгоритм распознавания двухступенчатый и состоит

из блоков распознавания и подтверждения фонетической структуры

(верификации). Если гипотезируемое слово не подтверждается (блоком

верификации), то входная реализация сравнивается с другими словами,

близкими к ней в пространстве признаков, или подается сигнал переспроса.

При распознавании двухсловных сочетаний второе слово анализируется с конца

в направлении к его началу. Варианты произношения, на основании

которых создавался алгоритм, исследовались на материале около 2200

реализации названий чисел, произносимых 20 дикторами. В результате анализа

получены варианты произношения двузначных чисел. Многие из них

произносятся сравнительно единообразно и различаются степенью редукции

безударных гласных, степенью аффрицирова-ния мягких взрывных, наличием или

отсутствием смычек перед аффрикатами и т.д. В других числах может

существенно нарушаться фонетическая структура, пропуски отдельных

согласных.В условиях, когда возможно множество вариантов произнесения,

алгоритм должен использовать лишь наиболее употребительные варианты, в

которых сохраняются "оперные" звуки - ударные гласные, щелевые, взрывные, а

также начальные и конечные звуки.

I&

В OS?] рассмотрено использование речевого Управления в подсистеме АСУП

на базе мини-ЭВМ. Аппаратурно-программная система, разработанная в

Львовском ордена Ленина государственном университете им. И.Франко, уже

эксплуатируется. Система использует мини-ЭВМ ЕС-1010 в режиме реального

времени и параллельной работы около 90 производственных задач. Это

налагает жесткие условия на объем оперативной памяти, используемой для

программ обработки речевого сигнала (всего 10 Кбайт). Словарь системы

40 слов, которые могут быть организованы в командные фразы (5 слов во

фразе). Используется девять типов запроса, примерами которых могут быть:

"оперативная сводка выпуска", "ресурсы смены", "выходные характеристики

участка первой настройки" и т.п. Из-за жест-' ких ресурсов памяти система

ориентирована на работу с одним диктором, сформировавшим свои эталоны и

имеющим свой пароль. Работа системы в помещении машинного зала с уровнем

шумов 68-75 дБ показала надежность распознавания фраз, превышающую У0%, а

после переспроса - более 9Ь%.

Недостаточная надежность распознавания с первого ^^произнесения

обусловлена в основном упрощениями алгоритма распознавания, на

которые пришлось пойти ради экономии'места и оперативной памяти.

Аппаратурно-программное направление представлено также системой [33] ,

которая на первом уровне распознавания обнаруживала в словах сегменты и

классифицировала их по способу образования звуков на гласные, щелевые,

аффрикаты, дрожащие , а также глухие и звонкие. На втором этапе

некоторые звуки классифицировались внутри данной группы по месту их

образования. В результате каждому сегменту присваивалась Кодовая

последовательность,занимающая I байт. Четыре старших разряда этого кода

указывали групповую принадлежность данного звука, четыре младших

разряда определяли тип звука внутри данной группы.

Для распознавания слов образуется элементарная последовательность

псевдослогов, сравнивающаяся с эталонами последовательности. При

экспериментальной проверке работы система распознавания на материале 50 и

200 слов с участием трех дикторов она показала 93 и 84% точности

распознавания соответственно.Анализ ошибок показал, что в большей

части они вызвали неправильными формированиями сегментов контрольной

реализации или эталонов, возникающими при срабатывании системы до начала

произнесения от посторонних шумов или шумов дыхания.

Интерес к построении систем распознавания речи, работающих с

множеством дикторов,стали проявяять и исследователи, тради-

19

ционно работавшие с одним диктором. Т.К.Винцюк и соавторы [21] показали,

что в рамках существующей однодикторной системы фонемного распознавания

речи может быть создана многодикторная система распознавания, которую

авторы назвали кооперативной,поскольку система предварительно обучается по

выборке кооператива дикторов. Основные результаты экспериментов:

при индивидуальном обучении системы распознавания речи средняя

Страницы: 1, 2, 3, 4