Машины, которые говорят и слушают
Чтобы избежать избыточной обработки, авторы вводят понятие "нечеткого словесного сравнения", которое обобщает сравнение с эталоном одного и того же слова, появившегося примерно в том же месте. Всегда, когда слово-кандидат подобно figure встречалось несколько раз, при расширении гипотезы используются нечеткие границы. Итак, для слова figure предлагается расширить гипотезу.
При обработке предложенного слова (с примерно известными границами) процедура Syntax подбирает слово виос-зт, заканчивающееся позицией 17. В прагматической грамматике hwim слово budget может использоваться лишь в словосочетании budget figure и, так как это словосочетание находится в конце предложения, никаких слов справа больше не будет. Блок управления использует далее найденное словосочетание в качестве расширенного "островка надежности" для поиска слов от позиции II до начала высказывания.
Обращаясь
к синтаксической
процедуре, блок
управления
обнаруживает,
что прагматическая
грамматика
допускает еще
несколько слов,
кроме слов из
списка, рассмотренного
ранее, для
расширения
этой гипотезы.
9то связано с
тем, что служебные
слова,которые
могут стоять
перед словосочетанием
budget. figure , имеют слишком
небольшой вес
(очки). В результате
сравнения
сегментов,
расположенных
слева от слова
budget , и эталонов
слов, допускаемых
прагматической
грамматикой,
получают новый
список, расширяющий
предыдущий
(в списке остаются
лишь слова,
оценки которых
превышают
40
33. OF 10
11 4 , - 16 - - Н
34. А
10 11 4 - 16 - - R
35. THE 911 -105 - 16 - -
R
36. THE 9
11 -105 - 16 - - R
37. OUR 10 11 -123 - 31 -
- R 3°. THE 9 11 -135 - 16 -
- R
39. - S 10 11 -140 0 -
- R
40. ANO 9 11 -163 - 26 -
- R
41. OUR 911 -169 - 46 - -
R
42. ME 9 11 -189 - 46 -
- R
Каждое из
этих слов может
расширить
гипотезу budget
figure слева. Посмотрим,
что выберет
блок управления.
Наиболее подходящим
(см. позиции 3
и ЯО) оказывается
слово total ,которое
используется
лишь с определенным
артиклем THE. Таким
образом, -удалось
объединить
уже четыре
слова THE TOTAL budget figure, для
которых синтаксическая
процедура в
словесной
решетке отмечает
слова "is" и "
s ", найденные
при первоначальном
сканировании
( - s- укороченный
глагол-связка,
допускаемый
правилами
произношения).
Синтаксис также
предлагает
и некоторые
другие слова,
но их оценки
(очки) меньше
100, тогда как is
имеет вео 96 (см.
позицию 7). Поэтому
переходим к
новой гипотезе
IS the total budget figure и пытаемся
ее расширить.
При расширении
гипотезы
синтаксическая
процедура
"подсказывает"
слова what и но'.'?
ыасн. Процедура
лексического
поиска выбирает
для начального
участка высказывания
слово v/hat с оценкой
176 очков и формирует
окончательную
гипотезу what IS the
total budget figure. Процедура
"синтаксис"
производит
в заключение
полный грамматический
разбор этой
фразы.
Описанная
"островковая"
стратегия
интерпретации
высказывания
одна из нескольких,
реализованных
в системе hwim .
Другие стратегии
используют
словесную
верификацию
на параметрическом
Уровне, предсказание
слов на уровне
диалога, просодическую
информацию
и т.д.
Испытание
системы hwim производилось
на двух словарях:
из 409 и 1097 словоформ,
124 предложения
произносили
трое дикторов"
"ужчин. Точность
интерпретации
высказывания
составила 52% в
первом случае
и 44% во втором.
Процент высказываний,
близких к
пра-видьным,
составил 23 и
20% соответственно.
Основное
отличие системы
VDMS (Voioe-Controlled Date Manage-roent Sis.) от ранее
рассмотренных
СПР Speeohlis.HWIM и Неаг-^-И
заключается
в тим, что в ее
основе лежит
синтаксис спон-
Зак.480
41
тайного
английского
диалога [182] ; это
позволяет
использовать
при общении
с системой
сильно "усеченные"
эллиптические
выражения СПР.
Система vdms использует
проблемно-ориентированный
язщ доступа
к информационно-поисковой
системе данных
о подводном
фаоте США,
Великобритании
и СССР. Общий
словарь языка
составлял 450
слое. Система
имела возможность
запонинать
информацию
о ранее произнесенных
фразах и декодировать
текущие, имея
результаты
рас познавания
предыдущих
высказываний.
В системе vdms при
интерпретации
предложений
наиболее полно
использована
идеология
искусственного
интеллекта.
Общая структура
vdms включает три
основь-ле компоненты:
1) акустико-фонетический
процессор, в
результате
работы которого
формируется
массив данных,
содержащих
информацию
о фонетическом
строении высказывания
(А-матрица);
2) процедуру
лексического
сравнения,
которая производит
сравнения
предсказываемых
слов, опираясь
на слоговой
уровень и используя
акустико-фонологические
правила;
3) лингвистический
процессор,
который содержит
блок грамматического
разбора (парсер)
и управляющий
блок диалогового
уровня (discourse level
controller )> вктоочающий
модель пользова-теяя
и семантическую
память.
Эксперименты
с vdms показали,
что речевой
сигнал ограничивается
по полосе на
частоте 9 кГц
и поступает
на 12-разрядный
аналого-цифровой
преобразователь,
где квантуется
с частотой 30
кГц. Затеи
оцифрованная
речь проходит
через ЦАП и
результирую
щая аналоговая
речь поступает
на три полосовых
фильтра, имеющих
полосы пропускания
I&0 - 190, 990 - 2200 и 8000 - 5000 Гц. Через
интервалы в
10 мс с фильтров
снимались два
параметра -
максимальная
амплитуда и
число нулевых
пересечений.
Полученные
шесть параметров
использовались
для грубой
акустической
маркировки
каждого
десятимиллисекувдного
отрезка.
Как только
слово поступает
в систему,
формируется
и хранится в
памяти информахцж
о нем, в частности,
отмечается,
сколько высказываний
тому назад это
слово было
произнесено
и былс ли оно
использовано,
насколько
вероятно, что
это слово
повторится
еще раз. В системе
учтено, что
различные
контекстные
слова предсказанные
тематической
памятью, "стареют"
от высказывания
ч высказывании
и вероятности
их использования
уменьшаются.
Вел* вероятность
предсказанного
слова Падает
ниже заданного
нaпepe^ порога,
то это слово
какое-то время
не рассматривается.Все
эт' в vdms выполняет
блок диалогового
уровня Discourse , являющийся
наиболее оригинальным
блоком системы.
Процедуры,
которые
42
реализует
Discourse, основаны
на изучении,диаюга
между двумя
людьми, совместно
выполняющими
некоторую
работу. Ьыло
найдено и
Досмаяизовано
влияние контекста
на характер
диалога,причем
рассматриваются
два вида контекстного
влияния. Глобальный
контекст обеспечивает
один вид ограничений
при интерпретации
высказывания.
Эти ограничения
используются
при идентификации
группы существительных.
Второй вид
ограничений
связан с текущим
контекстом
соседних
высказываний.
Они используются
при интерпретации
сокращенных,
эллиптических
выражений и,
в частности,
добавляют
дополнительные
фрагменты к
сокращенному
высказыванию.
В качестве
примера высказывания,
которое может
воспринять
система VDl'iS , ыож"
но привести
такое: "Напечатайте
типы подводных
лодок, на которых
больше семи
ракет".
СПР vdms - spi построена
на базе
проблемно-ориентированного
языка,доступного
информационно-поисковой
системе данных
о подводном
флоте США,
Великобритании
и СССР. Общий
словарь системы
составляет
450 слов [ 182] , Система
использует
синтаксис
спонтанного
английского
диалога, что
позволяет
запоминать
информацию
о ранее произнесенных
фразах и декодировать
текущие, используя
предыдущие
высказывания.
Система vdms-sri наиболее
полно использует
идеологию
искусственного
интеллекта
при интерпретации
устных высказываний,
которые могут
быть сильно
"усеченными".
Для испытания
системы была
проделана серия
опытов, которые
должны были
определять
наилучшую
структуру СПР
подобного
типа. Было испытано
16 экспериментальных
систем, которые
дали точность
интерпретации
высказываний
от 46,7 до 73,3%, причем
если итерировать
несущественные
оаибки распознавания,
то точность
(для наилучшей
конфигурации
системы) возрастает
до 81,7%. В [1в2~
отмечается,
что наиболее
эффективной
помощью при
реализации
речевого диалога
оказались
использование
и проверка
контекста.
Начиная с
1976 г. начали появляться
работы о построении
СПР в Западной
Европе (Франция,
Италия, ФРГ),
Японии и СССР.Уровень
исследований
по СПР в этих
странах (объем
словаря,сложность
языка) пока
ниже, чем работ,
выполненных
в США по проекту
arpa. Сяедует, впрочем,
отметить, что
разработка
"малых" СПР
производится
в соответствии
с тенденцией
[145] , которая заклта-в»оя
в том, чтобы
"заполнить
пропасть" между
практическими
сис-^мами распознавания
слов и относительно
громоздкими
СПР, выполнившимися
по проекту
arpa.
В С142]приведена
таблица, которая,
по мнению автора,
характеризует
действительное
состояние и
будущее развитие
коммерческих
систем распознавания/
понимания речи
до 3000 г.:
431982 -
БИС для системы
распознавания
речи.
1985 -
Высокоточные
системы распознавания
изолированных
слов с большими
словарями.
1990 - Системы
автоматической
диктовки с
ограниченным
словарем,
управляемые
синтаксисом
языка.
I&95
- Системы
понимания речи
с неограниченным
словарем, но
с ограничениями
на синтаксис.
2000 - Системы
распознавания
слитной речи
с неограниченным
словарем и без
ограничений
на синтаксис.
§
1.4. Системы
автоматического
речевого ответа
1.4.1.
Коммерческие
системы автоматического
синтеза речи.
В системах
автоматического
речевого общения
"человек-ЭВМ"
важную роль
играет автоматический
речевой вывод,
позволяющий
человеку получать
необходимую
ему информацию
в привычной
форме речевого
сигнала. Проблема
автоматического
речевого вывода
считается более
простой, чем
автоматическое
распознавание
речи (в первом
случае речь
воспринимает
человеческий
мозг, -;
а во втором
- автомат).
Поэтому работы
по построению
систем автоматического
речевого ответа
(САРО) промышленность
получила раньше,
чем работы по
автоматическому
распознаванию/
пониманию речи.
Синтезаторы
речи,являющиеся
главными узлами
таких систем,
уже изготовляются
промышленностью
США, Японии и
некоторых
других стран
[30, 46, 51, 52, 100, 142] .
В саязи с появлением
микропроцессоров
и специализированных
БИС, а также в
связи с тем,
что пользователи
потребовали,
чтобы информационные,
управляющие
и другие подобные
системы, основанные
.на использовании
ЭВМ, "говорили",
фирмы, выпускающие
ЭВМ или отдельные
узлы ЭВМ, начали
выпуск оборудования
дея систем
речевого ответа.
Построены
первые промышленные
системы, который
обеспечивают
одновременное
автоматическое
распознавание
(автоматический
речеэой запрос"
с использованием
ограниченного
лексикона) и
речевой ответ.
Первое применение
такие системы
нашли в "интеллектуальных"
терминалах
больших ЭВМ
(или сетей ЭВМ),
в некоторых
системах военного
назначения,
в приборах
бытовой электроники
[52, 60, I40t
.
Следует
отметить также,
что продолжают
развиваться
научные исследования
в области создания
систем автоматического
синтеза. Эти
работы, направленные
в основном на
повышение
качества
(разборчивости
и естественности)
синтезируемой
речи (без существенного
повышения
объема информации,
требуемой для
управления
син-
44
двзатором),
проводятся
в США [103,
112, 129, 133, I??]
, СССР f48,
63, 54] , Японии
[l3b,I62] ,
Великобритании
[l64] ,
Канаде [167]
, Франции
[146 171] , Италии
[l60,JSl] ,
Мексике
[ill],Западной
Германии
[122, 184] , Норвегии
[137] и других
странах.
В
[142] отмечается,
что ЭВМ пятого
поколения
(мультиыикро-процессорные
машины) будут
гораздо шире,
чем современные
ЭЗУ, использовать
ввод и вывод
информации
в речевой форме.
Предполагается,
что уже в ближайшее
время ЭВМ,
оборудованные
системами
речевого вывода,
настолько
проникнут в
нашу жизнь, что
совершенно
изменят взаимоотношения
человека и
техники.
В основе
систем автоматического
речевого ответа,
поступающих
в настоящее
время на рынок,
лежат три основных
способа синтеза
рэчи -
непосредственное
кодирование
речевой волны
(дискрети-аация
и сжатие), форматный
синтез и синтез,
основанный
на линейном
предиктивном
кодировании
(линейном
предсказании).
В [б] приводятся
системы автоматического
речевого вывода
- наиболее
распространенные
в настоящее
время в США
системы такого
рода. Так, в сис-томч
Votrax процесс
формирования
устного высказывания
по тексту,
поступившему
из ЭВМ или с
клавиатуры
в закодированном
виде,начинается
о разбивки
текста на основные
звуковые влементы
- фонемы.
Так как фонемная
цепочка, соответствующая
тексту, не
обеспечивает
высокочастотной
речи, то эта
цепочка программно
преобразуется
в цепочку аллофонных
кодов (аллофоны
- это варианты
произнесения
фонем в зависимости
от контекста;
разные исследователи
называют различное
число аллофонов
для каждого
языка;в системе
Votrax используется
12Ь аллофонов,
что позволяет
получать более
естественную
речь). Для порождения
слитной речи
аллофоны Должны
плавно переходить
друг в друга.
Каждому
аллофону
соответствует
управляющее
слово, воздействующее
на аппаратный
синтезатор
звуков, который
в два этапа
перерабатывает
цепочку 12-разрядных
управляющих
слов. На первом
этапе Управляющее
слово декодируется
и перерабатывается
в аналоговые
управляющие
сигналы, задающие
частоту основного
тона, длительность
изменения во
времени амплитуды
и гармоник,
связанных с
каждым ал-Яофоном.
На втором этапе
реализуется
собственно
синтез. При
этом параметрические
сигналы, воздействуя
на генераторы
звука и прог-Рачмируемые
фильтры, преобразуются
в звуки речи.
Звонкие звуки
°оздаются с
помощью генератора
регулируемой
высоты тона,
а глухие
- с помощью
генератора
бел го шума.
В приборах
Texas Instruments три
большие интегральные
сис-^ы (БИС) моделируют
голосовой тракт
человека. В
основе модели
•вяит метод
линейного
предсказания
(или линейного
предиктивного
ко-
45
дирования
- ЛПК). При
ЛПК на
кристалл синтезатора
подаются значения
коэффициентов
для цифрового
фильтра второго
порядка,который
моделирует
динамику форматных
частот. Вычисление
коэффициентов
фильтра производит
другая БИС
- микропроцессор
тыз -1000. Третья
БИС хранит
отдельные части
слов в параметрическом
виде. Воссоздание
речи по этим
параметрам
осуществляет
сложный программный
алгоритм.
Преимущество
метода ЛПК
заключается
в тс-л, что он
позволяет
воспользоваться
тем фактом, что
голосовой тракт
человека
относительно
медленно меняет
свои параметры
при речеобразовании.Это
свойство ограничивает
диапазон изменения
форматных
параметров,
которые могут
следовать за
форматами уже
с генерированных
отрезков
звуков речи.
Такое прогнозирование
уменьшает
требования
к объему памяти
системы, а также
к скорости
обмена данными;
с описываемой
системой она
равна
1200 бит/с.
Синтезатор
National Semiconduoton Inc. способен
осуществлять
анаяого-цифровое
преобразование
речевых сигналов
и сохранять
их в памяти
для дальнейшего
восстановления.
Такой метод
предполагает
огромный объем
информации,
которая должна
храниться в
памяти, что
делает его
малопривлекательным.
Однако в рассматриваемой
системе эта
трудность
обходится за
счет использования
различных
методов сжатия
данных. Это
позволило
реализовать
качественный
синтез речи
во временной
области на
уровне &1С.
Дискретизацию
и сжатие исходной
речи, записанной
на магнитной
ленте, осуществляет
мини-ЭВМ. Результирующие
данные сохраняются
в постоянном
запоминающем
устройстве
(ПЗУ) для последующего
восстановления,
осуществляемого
БИС процессора
речи. Благодаря
применению
Трех методов
сжатия (подстройки
фазового угла,
дельта-модуляции
и полупериодного
обнуления)
скорость поступления
данных, по которым
восстанавливается
нормальная
речь, снижается
примерно до
1000 бит/с речи,
так что по ПЗУ
емкостью
10 кбит можно
хранить примерно
10 слов.
Процесс
сяатия начинается
с дискретизации
аналогового
речевого Сигнала
и разделения
цифрового
массива на
участки, в каждом
из которых
128 оГсчетов;
эти участки
в какой-то степени
характеризуют
периоды основного
тона. Для получения
набора цифровых
выборок, аналогичных
формируемому
предложению,
подстраиваются
фазовые углы
этих отрезков.
Дальнейшее
сжатие осуществляется
с помощью
дельта-модуляции,
в результате
чего вместо
хранения
абсолютной
амплитуды
каждой выборки
в память записываются
только знаки
приращения
амплитуд относительно
предшествующего
значения.
46
рассмотрим
далее более
подробно несколько
современных
систем параметрического
синтеза.
В ГЮО]
описана разработанная
фирмой
Texas Instrument a программа,
позволяющая
преобразовывать
произвольный
текст в речь.
Программа
совместно с
интегральным
синтезатором
речи типа
tms-5й00
позволяет
читать вслух
информацию,
отражаемую
на экране дисплея
домашнего
компьютера
9S14. В отличив
от Speak and Spell
система
не иоподозувт
записанные
ранее в ПЗУ
слова и фразы,
а синтезирует
слова из
128 аллофонов
(аналогично
системе
Votrax описанной
ранее), которые
объединяются
системой для
образования
слитной речи.
Программа
преобразования
текста в цепочку
аллофонов
выбирает аллофоны
из библиотеки
и определяет
их ударение
и интонацию.
Затем эта информация
поступает в
блок синтеза
речи, который
формирует
звуки, используя
кодирование,
основанное
на линейном
предсказании.
Блок-схема
преобразования
текста в речь,
реализованного
Texas Instruments,
представлена
на рис.I.I.
Аллофоны
имеют переменную
длительность
от 50
до 200
мс и кодируются
в соответствии
с параметрами,
необходимыми
для организации
синтеза, основанного
на линейном
предсказании.
Библиотека
аллофонов,
включающая
длинные и короткие
паузы, кодируется
по энергиям
и коэффициентам,
необходимым
для установки
характеристик
фильтра ЛПК-синтезатора.
Библиотека
аллофонных
кодов занимает
3 кбайта
памяти.
Для
преобразования
текста, поступающего
на вход в
пооледова-тедьность
аллофонов,
используется
набор из
650 правил,
который в процессе
испытаний
обеспечивал
правильный
выбор
97^ фонем и
92% аллофонов.
Правила занимают
7 кбайт
памяти. Программа
конструиро-
Синтез речи
Конструирование
речи (программное
формирование
кодовой аллофонной
цепочки)
| Входное | Правила преобразования текста в аллофоны | Преобразование аллофонов в данные для синтезатора | 1 + 1 | Центральный Процессор | |
| текст |

|
Управление Память |
Синтезатор речи тае- 5200 |
Речь | |
| . 1 { | |||
| Речевое постоянное запоминающее устройство tm S-6100 | |||
Р и с. I.I. Блок-схема преобразователя "текст - речь'
47
вания связывает и сглаживав! переходы между ними. В результате формируется кодовая управляющая цепочка аллофонов, у которых согласованы энергетические уровни и достигнута плавность огибающей, а сглаживание коэффициентов фильтра