[go: up one dir, main page]

JP2986345B2 - 音声記録指標化装置及び方法 - Google Patents

音声記録指標化装置及び方法

Info

Publication number
JP2986345B2
JP2986345B2 JP6204690A JP20469094A JP2986345B2 JP 2986345 B2 JP2986345 B2 JP 2986345B2 JP 6204690 A JP6204690 A JP 6204690A JP 20469094 A JP20469094 A JP 20469094A JP 2986345 B2 JP2986345 B2 JP 2986345B2
Authority
JP
Japan
Prior art keywords
word
index
words
context
recognized
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
JP6204690A
Other languages
English (en)
Other versions
JPH07199379A (ja
Inventor
ハムド・エイ・エロジー
デミトリ・カネブスキー
マイケル・ワイ・キム
デビッド・ナハモ
マイケル・エイ・ピチェニー
ウォルデック・ダブリュ・ザドロズニー
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
International Business Machines Corp
Original Assignee
International Business Machines Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by International Business Machines Corp filed Critical International Business Machines Corp
Publication of JPH07199379A publication Critical patent/JPH07199379A/ja
Application granted granted Critical
Publication of JP2986345B2 publication Critical patent/JP2986345B2/ja
Anticipated expiration legal-status Critical
Expired - Fee Related legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G11—INFORMATION STORAGE
    • G11B—INFORMATION STORAGE BASED ON RELATIVE MOVEMENT BETWEEN RECORD CARRIER AND TRANSDUCER
    • G11B27/00—Editing; Indexing; Addressing; Timing or synchronising; Monitoring; Measuring tape travel
    • G11B27/10—Indexing; Addressing; Timing or synchronising; Measuring tape travel
    • G11B27/19—Indexing; Addressing; Timing or synchronising; Measuring tape travel by using information detectable on the record carrier
    • G11B27/28—Indexing; Addressing; Timing or synchronising; Measuring tape travel by using information detectable on the record carrier by using information signals recorded by the same method as the main recording
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/60—Information retrieval; Database structures therefor; File system structures therefor of audio data
    • G06F16/68—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/683—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/685—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using automatically derived transcript of audio data, e.g. lyrics
    • G—PHYSICS
    • G11—INFORMATION STORAGE
    • G11B—INFORMATION STORAGE BASED ON RELATIVE MOVEMENT BETWEEN RECORD CARRIER AND TRANSDUCER
    • G11B27/00—Editing; Indexing; Addressing; Timing or synchronising; Monitoring; Measuring tape travel
    • G11B27/02—Editing, e.g. varying the order of information signals recorded on, or reproduced from, record carriers
    • G11B27/022—Electronic editing of analogue information signals, e.g. audio or video signals
    • G11B27/028—Electronic editing of analogue information signals, e.g. audio or video signals with computer assistance
    • G—PHYSICS
    • G11—INFORMATION STORAGE
    • G11B—INFORMATION STORAGE BASED ON RELATIVE MOVEMENT BETWEEN RECORD CARRIER AND TRANSDUCER
    • G11B27/00—Editing; Indexing; Addressing; Timing or synchronising; Monitoring; Measuring tape travel
    • G11B27/10—Indexing; Addressing; Timing or synchronising; Measuring tape travel
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
    • G10L2015/226—Procedures used during a speech recognition process, e.g. man-machine dialogue using non-speech characteristics

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Library & Information Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Machine Translation (AREA)
  • Television Signal Processing For Recording (AREA)

Description

【発明の詳細な説明】
【０００１】
【産業上の利用分野】本発明は、例えばコンピュータ・
ファイルに記憶されるテキストを、音声テープ、ビデオ
・テープ、またはビデオ・ディスクなどの音声−ビデオ
媒体上に記憶される対応データにより位置合わせする
（align ）など、一般に、音声或いは音声−ビデオ記録
及びテキスト・データの指標化（indexing）のためのシ
ステムに関する。この分野の典型的な問題は次のように
表される。
【０００２】
【従来の技術】音声−ビデオ記録及びその作成トランス
クリプト（transcript）について考えてみよう。ビデオ
を指標化するために、トランスクリプトに現れる語が話
される時期を知ることが必要である。記録の適切な部分
を見い出すために、トランスクリプト内の各語のデータ
対を含むテキスト−音声指標が必要である。各データ対
はトランスクリプト内の語と、テープ上における語の位
置を記述するｆ−ナンバを含む。各データ対は（語、ｆ
−ナンバ）として表される。
【０００３】ここでは用語"語（word）"は、"dog"、"st
ep"、または"house"などの単一の語、及び"United Stat
es of America"、"production of wheat"などの句（phr
ase）の両方をさすものとする。
【０００４】テキストにより音声−ビデオ記録を指標化
することは、音声記録のセグメントを探索する能力を向
上させる。しばしば、音声記録のセグメントを探索する
ことよりも、テキストのセグメントを手動式にまたは自
動的に探索することの方がより素早い。所望のテキスト
・セグメントが見い出されると、対応する音声記録が再
生可能となる。
【０００５】テキストにより音声記録を指標化すること
は、また音声記録の編集能力を向上させる。テキスト内
の語を移動または消去することにより、対応する音声セ
グメントが移動または消去される。記憶される語の語彙
及びそれらの語に対応して記憶される音声セグメントが
保持される時に、テキストに語が挿入されると、対応す
る音声セグメントが音声記録に挿入される。
【０００６】音声を対応する作成トランスクリプトによ
り位置合わせすることが必要な２つのアプリケーション
例に、（１）映画のサブタイトルの提供、及び（２）裁
判において記録された上告裁判所または陪審による速記
トランスクリプトからの音声−ビデオ・データの高速検
索がある。
【０００７】記録音声をその作成トランスクリプトによ
り位置合わせする従来のアプローチは、音声データを再
生し、手動式に対応するテキスト・セグメントを選択す
るものであった。このプロセスは時間を消費し、高価で
あった。
【０００８】他の業績では、音声と時間位置合わせされ
る他のデータ（例えば顔の移動）との関係を扱う。例え
ば、Bronson による米国特許番号第５１３６６５５号
は、異なるデータ（語及び動画ピクチャ）の指標化を開
示する。そこでは、位置合わせされた語及びピクチャを
有するファイルが、自動音声認識装置による音声、及び
自動パターン認識装置により時間位置合わせされるビデ
オ・データの同時デコーディングにより獲得される。Ed
elstein による米国特許番号第５１４９１０４号などの
別の例では、プレイヤからの音声入力がスピーカ音声の
大きさを測定することにより、ビデオ表示装置に同期さ
れる。
【０００９】これらの方法は、音声−ビデオ・データの
ある種の自動注釈を提供するが、時間的に相関の無い記
憶音声及びテキスト・データの指標化には好適ではな
い。
【００１０】
【発明が解決しようとする課題】本発明の目的は、指標
テキストを音声または音声／ビデオ記録の対応部分に自
動的にマップすることである。
【００１１】
【課題を解決するための手段】本発明によれば、音声記
録を指標化する装置が話言葉から生成される音を表す、
順序付けられた（ordered ）一連の音響情報信号単位を
記憶する音響記録装置を含む。音響記録装置は、各々が
少なくとも１つの音響情報信号単位を記憶する複数の記
録ロケーションを有する。
【００１２】指標化装置は更に、音響情報信号により表
される音の発生が提供されると、発生の高い条件確率を
有する、順序付けられた一連の認識語を生成する音声認
識装置を含む。各認識語は少なくとも１つの音響情報信
号単位に対応する。各認識語は少なくとも１つの先行す
るまたは後続の認識語のコンテキストを有する。
【００１３】テキスト記憶装置は順序付けられた一連の
指標語を記憶する。順序付けられた一連の指標語は、音
響情報信号単位により表される少なくとも幾つかの話言
葉の可視表現を含む。各指標語は少なくとも１つの先行
するまたは後続の指標語のコンテキストを有する。
【００１４】順序付けられた一連の認識語を、順序付け
られた一連の指標語と比較する手段が提供され、同一語
に相当し、マッチングするコンテキストを有する認識語
と指標語とが対にされる。各対にされる指標語は、指標
語と対を成す認識語に対応する音響情報信号単位の記録
ロケーションによりタグ付けされる。
【００１５】本発明の１態様では、各認識語は一連の１
個以上の文字を含む。また各指標語は一連の１個以上の
文字を含む。認識語と指標語は、両者が同一の一連の文
字を含む場合、同一と見なされる。
【００１６】ターゲット認識語のコンテキストは、例え
ば順序付けられた一連の認識語内における、そのターゲ
ット認識語に先行する他の複数の認識語を含む。ターゲ
ット指標語のコンテキストは、例えば順序付けられた一
連の指標語内における、そのターゲット指標語に先行す
る他の複数の指標語を含む。認識語のコンテキストは、
それが指標語のコンテキストの選択しきい値内にあれ
ば、指標語のコンテキストにマッチングする。
【００１７】本発明の別の態様では、認識語と対にされ
ない各指標語が、順序付けられた一連の指標語内の最も
近い先行対の指標語と、順序付けられた一連の指標語内
の最も近い後続対の指標語とを有する。比較手段が対に
されない指標語に、最も近い先行対の指標語の記録ロケ
ーションと、最も近い後続対の指標語の記録ロケーショ
ンとの間の記録ロケーションをタグ付けする。
【００１８】好適には、音声認識装置は各認識語を少な
くとも１つの音響情報信号単位により位置合わせする。
【００１９】本発明の別の態様では、指標語と対にされ
ない各認識語が、順序付けられた一連の認識語内の最も
近い先行対の認識語と、順序付けられた一連の認識語内
の最も近い後続対の認識語とを有する。ターゲット認識
語のコンテキストは、順序付けられた一連の認識語内に
おいて、そのターゲット認識語に先行し、最も近い先行
対の認識語に続く他の複数の認識語を含む。ターゲット
指標語のコンテキストは、順序付けられた一連の指標語
内において、そのターゲット指標語に先行し、最も近い
先行対の指標語に続く他の複数の指標語を含む。認識語
のコンテキストは、それが指標語のコンテキストの選択
しきい値内にあれば、指標語のコンテキストにマッチン
グする。
【００２０】
【実施例】図１は本発明による音声記録を指標化する装
置例のブロック図である。この装置は話言葉から生成さ
れる音を表す、順序付けられた一連の音響情報信号単位
を記憶する音響記録装置７０を含む。音響記録装置は、
各々が少なくとも１つの音響情報信号単位を記憶する複
数の記録ロケーションを有する。
【００２１】音響記録装置７０は、例えばコンピュータ
・システム用の磁気テープまたはディスク記憶ユニット
である。
【００２２】指標化装置は更に、音響情報信号により表
される音の発生が提供されると、発生の高い条件確率を
有する順序付けられた一連の認識語を生成する音声認識
装置７２を含む。各認識語は少なくとも１つの音響情報
信号単位に対応する。各認識語は、少なくとも１つの先
行するまたは後続の認識語のコンテキストを有する。
【００２３】音声認識装置７２は、例えばＩＢＭ音声サ
ーバ・シリーズ（Speech ServerSeries）などのコンピ
ュータ化された音声認識システムである。
【００２４】テキスト記憶装置７４は、順序付けられた
一連の指標語を記憶するために提供される。順序付けら
れた一連の指標語は、音響情報信号単位により表される
少なくとも幾つかの話言葉の可視表現を含む。各指標語
は少なくとも１つの先行するまたは後続の指標語のコン
テキストを有する。
【００２５】テキスト記憶装置７４は、例えばコンピュ
ータ・システム用の磁気テープまたはディスク記憶ユニ
ットである。
【００２６】最後に、指標化装置は更に同一語に相当
し、マッチングするコンテキストを有する認識語と指標
語とを対にするために、順序付けられた一連の認識語を
順序付けられた一連の指標語と比較する比較器７６を含
む。比較器７６はまた、各対にされる指標語にその指標
語と対を成す認識語に対応する音響情報信号単位の記録
ロケーションをタグ付けする。比較器７６は、例えば適
切にプログラムされるデジタル信号プロセッサである。
【００２７】各認識語及び各指標語は、一連の１個以上
の文字を含む。比較器７６は認識語と指標語の両者が同
じ一連の文字を含む場合、認識語が指標語と同じかどう
かを判断する。
【００２８】ターゲット認識語のコンテキストは、例え
ば順序付けられた一連の認識語内における、そのターゲ
ット認識語に先行する他の複数の認識語を含む。ターゲ
ット指標語のコンテキストは、例えば順序付けられた一
連の指標語内における、そのターゲット指標語に先行す
る他の複数の指標語を含む。認識語のコンテキストは、
それが指標語のコンテキストの選択しきい値内にあれ
ば、指標語のコンテキストにマッチングする。
【００２９】認識語と対にされない各指標語は、順序付
けられた一連の指標語内の最も近い先行対の指標語と、
順序付けられた一連の指標語内の最も近い後続対の指標
語とを有する。比較器７６は対にされない指標語に、最
も近い先行対の指標語の記録ロケーションと、最も近い
後続対の指標語の記録ロケーションとの間の記録ロケー
ションをタグ付けする。
【００３０】各認識語を少なくとも１つの音響情報信号
単位に相関付けるために、音声認識装置は、好適には、
各認識語を少なくとも１つの音響情報信号単位により位
置合わせする。
【００３１】指標語と対にされない各認識語は、順序付
けられた一連の認識語内の最も近い先行対の認識語と、
順序付けられた一連の認識語内の最も近い後続対の認識
語とを有する。
【００３２】本発明の１実施例では、ターゲット認識語
のコンテキストは、例えば順序付けられた一連の認識語
内において、そのターゲット認識語に先行し、最も近い
先行対の認識語に続く他の複数の認識語を含む。ターゲ
ット指標語のコンテキストは、例えば順序付けられた一
連の指標語内において、そのターゲット指標語に先行
し、最も近い先行対の指標語に続く他の複数の指標語を
含む。認識語のコンテキストは、それが指標語のコンテ
キストの選択しきい値内にあれば、指標語のコンテキス
トにマッチングする。
【００３３】図２は手順モジュール及びデータ・エント
リを示す。このプロセスにおける主な入力データは、デ
コーディング・モジュール（自動音声認識装置）１０３
に入力される音声／ビデオ・データ１０１、及び参照ト
ランスクリプト・データ１０２である。参照トランスク
リプト・データ１０２は、音声／ビデオ・データ１０１
内の音声データのテキスト（正確であったり近似であっ
たりする）を表す。音声データはデコーディング・モジ
ュール１０３により処理され、デコード出力（認識語）
１０４が生成される。デコーディング・モジュール１０
３は、ＩＢＭ音声サーバ・シリーズ（Speech Server Se
ries）（登録商標）またはＩＢＭ連続音声シリーズ（Co
ntinuous Speech Series）（登録商標）などのコンピュ
ータ化された音声認識システムなどである。
【００３４】デコード出力１０４及び参照トランスクリ
プト１０２が、比較モジュール１０５において照合され
る。参照トランスクリプト１０２及びデコード出力１０
４においてマッチングする語が比較モジュールの出力と
なる。デコード出力１０４の全ての語が、タイム・アラ
イナ１０６によりタイム・スタンプを刻印され、一方、
音声データは１０３でデコードされる。同一のタイム・
スタンプが、参照トランスクリプト１０２内の対応する
語に対して提供される。タイム・スタンプを刻印される
参照トランスクリプト１０２が、指標データ１０７を形
成するために使用される。ユーザ１０８は、選択された
記録音声／ビデオ・データを検索及び再生するために、
指標化を使用することができる。
【００３５】図３はテキスト及び音声／ビデオ記録を自
動的に位置合わせするシステム例のブロック図である。
【００３６】図３のシステムは、少なくとも音声データ
を記憶する記録媒体１２を含む。記録媒体１２はまた、
例えばビデオ・データも記憶したりする。音声または音
声−ビデオ・データは、アナログ信号またはデジタル信
号のいずれかとして記録される。
【００３７】テキスト記憶２４は、記録媒体１２上の音
声データに含まれる音声のテキストのトランスクリプト
を含む。トランスクリプトは、例えば音声記録を聞い
て、そこで話される語をタイプすることによりテキスト
を再生するタイピストにより生成される。代わりに、テ
キストが（例えば速記者により）音声が記録されるのと
同時にタイプされてもよい。タイプの代わりに、テキス
トが自動手書き認識装置を用いて、或いは音声記録を聞
いて、そこで話される語を再度口授する話し手の音声に
訓練された音声認識装置を用いて生成されてもよい。
【００３８】音声−ビデオ・データ記録１２の予め選択
された部分を再生する従来のアプローチでは、音声−ビ
デオ・データは、通常、例えばモニタ６２に接続される
記録／再生デッキ１９などへの記録中に、或いは以前の
記憶後の検索中にモニタされる。こうした従来のアプロ
ーチでは、トランスクリプトがテキスト記憶２４に接続
されるモニタ６２上にも表示される。この従来のアプロ
ーチでは、トランスクリプトが手動式にビデオ−音声デ
ータ記録１２により位置合わせされる。
【００３９】本発明では、音声データは記録／再生デッ
キ１９に接続される自動音声認識装置（ＡＳＲ）３４を
介して処理される。ＡＳＲ３４の出力は、デコード・テ
キストである。このデコード・テキストは、４０に記憶
される音声データ（記録媒体１２上の音声データの対応
部分と同じ）により時間位置合わせされる。
【００４０】音声データは何度か使用される点に注意を
されたい。第１に、音声データはデコーダにパスされ
る。第２に、音声データの１部がデコード・テキストに
より位置合わせされる。図３は、音声データの１部がデ
コード・ブロック内の位置合わせのために使用される様
子を示す。
【００４１】この目的のために、主記憶１２からの音声
データは、それをテキストにより位置合わせするため
に、一時記憶４０にコピーされるべきである。
【００４２】時間位置合わせは、次のオペレーションに
より獲得される。
【００４３】第１に、音声データはデッキ１９への記録
中に、タイム・スタンプを刻印される。このタイム・ス
タンプの刻印はタイマ１６により実行され、音声データ
の記録ロケーションを表す。例えば、音声データが１０
ミリ秒周期のフレームに分割される場合、フレームは数
値Ｎ／１００秒により順次的にタイム・スタンプを刻印
される。ここでＮは正の整数である。代わりに、音声記
録が磁気記録テープ上に実施される場合、音声セグメン
トのタイム・スタンプは、記録の開始から音声セグメン
トまでの記録テープの長さを表す。
【００４４】第２に、タイム・スタンプを刻印される音
声データは、デコードされる語のタイム・スタンプ刻印
の基本を提供する。この目的のために、タイム・スタン
プを刻印されるデータが自動音声認識装置３４にパスさ
れ、４０に記憶される。テキスト３８内のデコード語の
タイム・スタンプ刻印のプロシージャは、時間位置合わ
せ装置４２により実行される。これは次のアルゴリズム
により表される。
【００４５】（アルゴリズムＡ）全体テキストのｉ番目
の部分（Ｔｉ）に対応する音声セグメントＦの有望な開
始及び終わりの識別。
【００４６】この識別は２つのステップにおいて実行さ
れる。
【００４７】（１）全体テキストがＴ１、Ｔ
２、．．．、Ｔｉ、．．．により区分化される。入力は
ｉ番目の音声セグメントＦ（これは４０に記憶される）
であり、デコード・テキストＴｉが自動音声認識装置
（ＡＳＲ）３４により出力される。ＴｉはＡＳＲ３４が
音声記録セグメントＦをデコードする時、ＡＳＲにより
生成される。デコード・テキストＴｉは見通しスコアＰ
ｒｏｂ（Ｔｉ｜Ｆ）を最大化するテキストであり、ここ
でＰｒｏｂ（Ｔｉ｜Ｆ）は記録音声セグメントＦが発生
する場合の、デコード・テキストＴｉの条件確率であ
る。
【００４８】音声セグメントＦがフレームＦ１、Ｆ
２、．．．の集合、すなわちＦ＝（Ｆ１、Ｆ２、Ｆ
３、．．．、Ｆｋ）で与えられるものとする。各フレー
ムは、例えば１０ミリ秒の周期とする。音響情報信号単
位は１つ以上の記録フレームを含む。従って、各デコー
ドされる語は、１つ以上の記録フレームに対応する。
【００４９】（２）Ｆ（ｋ）の近くの一連の候補フレー
ムＦ（ｋ−１）、Ｆ（ｋ−２）、．．．、Ｆ（ｋ＋
１）、Ｆ（ｋ＋２）、．．．、は、テキスト内の第１の
語Ｗの最も見通しのある開始点を見い出すものと考えら
れる。最も見通しのある候補フレームＦｒとしては、次
式Ｐ＝Ｐｒｏｂ（Ｆｒ、Ｆ（ｒ−１）、．．．、Ｆ１｜
Ｗ）／Ｎ１において、最も大きな値を提供するものが選
択される。ここでＮ１は正規化ファクタであり（関数が
ピークを有することを保証する）、フレームＦｒは前の
ステップで見い出されたフレームＦｋに近いように選択
される。各固定フレームＦｒに対して、フレームＦ１は
式Ｐが１）の関数としてピークを有するように選択され
る。
【００５０】両方のステップにおけるこの時間位置合わ
せは、Viterbi 位置合わせ（ビタビ・アライメント）を
用いて効率的に実施される（例えばL．R．Bahl、F．Jel
inek、R．L．Mercerによる"A Maximum Likelihood Appr
oach to Continuous SpeechRecognition"（IEEE Transa
ctions on Pattern and Machine Intelligence、Vol．P
AMI-5、pages 179-190、１９８３年３月）を参照された
い）。
【００５１】このアルゴリズムはまた、例えば音声セグ
メントの考慮リストにおける全ての可能な候補語に対し
て、低い見通しスコアを生成する位置合わせなどの不良
の位置合わせを拒絶するための特定の基準を使用する。
こうしたケースでは、位置合わせは良好な見通しスコア
を提供する部分に対してのみ実行されるべきである。こ
の基準により拒絶された音声部分は、語の長さ、口調の
相対スピードなどを考慮する他の視点から、タイム・ス
タンプを刻印される。'拒絶される'時間間隔が比較的短
い場合、これらの機械的方法は、テキスト内の各語のタ
イム・スタンプ刻印に関する良好な近似を提供する。ま
たデコード・テキストが提供されると、フレーム・スト
リングのセグメント化を繰返し行ってセグメントを再定
義することが可能となる。すなわち、音声セグメントが
提供されるとテキストをデコードする。次にデコード・
テキストが提供されると、デコードされた語の最も有望
な開始及び終わりを識別することにより、音声セグメン
トを再定義する。プロセスは次に再定義された音声セグ
メントにより繰返される。
【００５２】本発明では、自動音声認識装置３４のオペ
レーション・モードの別の変形が可能である。すなわ
ち、自動音声認識装置はテキスト記憶２４の内容に関す
る情報を、マッピング・ブロック４４から受信する。こ
の内容は自動音声認識装置３４に再生されるテープの部
分及びサイズを定義し、図４に関連して後述されるよう
にデコーディングに作用する。
【００５３】テキスト記憶２４内の参照トランスクリプ
トは、一連の可能なセンテンスを決定することにより、
自動音声認識装置３４の作業を制限する。参照テキスト
のサイズはまた、考慮される音声セグメントの最大サイ
ズが、長い語内の平均フレーム数に、テキストＴｉ内の
語数を乗じたよりも長くならないように決定する。
【００５４】本発明では、デコード・テキスト３８及び
テキスト記憶２４内のトランスクリプトが、マッピング
・モジュールに提供される。マッピング・モジュールで
は、デコード・テキスト及びトランスクリプトが、図３
のブロック機構により比較される（後述）。
【００５５】位置合わせされたデコード・テキスト３８
及びテキスト記憶２４内のテキスト内の参照が、マッピ
ング・モジュール４４からブロック４８にパスされる。
ブロック４８では、音声データが参照トランスクリプト
に対して位置合わせされる。この位置合わせは、音声デ
ータをデコード・テキスト３８により位置合わせするこ
とにより獲得される（図４に関連して詳細に後述され
る）。
【００５６】次のステップでは、位置合わせされた音声
−トランスクリプト・データがブロック５４にパスさ
れ、位置合わせされた音声−トランスクリプト・データ
がビデオ・データ１２に対して位置合わせされる。この
ビデオ・データ１２はデッキ１９から受信される。音声
−トランスクリプト・データによるビデオ・データの位
置合わせは、音声及びビデオ・データに関するタイミン
グ情報（タイミング・ブロック１６により生成される）
により実行される。上述のように、この情報はテープ１
９上に記憶される。
【００５７】全体の位置合わせされた音声−ビデオ−ト
ランスクリプト・データは、ブロック５４から指標化ブ
ロック６０に移行し、ここで必要語又はキーワード（ke
yword）または句又はフレーズ（phrase）を選択するこ
とにより、テキスト記憶２４内のトランスクリプトに従
い指標化が実行される。６０における指標化データはモ
ニタ６２でモニタされ、検索される。モニタ６２はコン
ピュータ端末であり、これを通じユーザはテキストを読
み、ビデオを見、音声を聞き、或いは観察される情報を
処理する。
【００５８】デコーダ３４の作業はセグメント化ブロッ
ク３２により制御される。ブロック３２はマッピング・
ブロック４４から制御パラメータを受信する。これらの
パラメータはテキストのサイズ、テキストの文法構造な
どを含む。これらのパラメータは、（１）１９からデコ
ーダ３４にパスされる音声セグメントのサイズ、及び
（２）辞書及び文法制約、を決定するために使用され
る。
【００５９】これで図３に関連するトランスクリプト・
データによる音声−ビデオ・データの指標化の説明を終
える。
【００６０】次に図４のマッピング・ブロック４４につ
いて説明する。マッピング・ブロック４４は入力データ
として、トランスクリプト２４及びデコード・テキスト
３８（図２）を受信する。トランスクリプト２４はブロ
ック２０１に移行され、ここで小さなサイズのテキスト
Ｔｉ（ｉ＝１、２、．．．、ｋ）に区分化される。各区
分は、例えば１０語乃至１５語のシーケンスであったり
する。デコーダ３４が大きな語彙を処理するように設計
される場合には、各区分は１００語乃至１０００語であ
ったりする。好適には、区間はピリオドで終わるか、文
の終わりを示す他の指標で終わり、文を２つの区分に分
割することを回避する。このオペレーションの後、作業
は次のように実行される。ブロック２１１におけるパラ
メータｉが初期値ｉ−１により開始する。テキストＴｉ
がブロック２０２でコピーされ、後述のように処理され
る。後続のフラグメントＴ２、．．、Ｔｉ、．．につい
ても同様に処理される。（Ｔｉをテープの対応部分によ
り位置合わせした後、ｉの値が１増分され、プロシージ
ャがＴ（ｉ＋１）に対して実行される。）
【００６１】テキストＴｉがブロック２０２にコピーさ
れた後、これは次に示すオプションの１つにより処理さ
れる。
【００６２】１）テキストが手書きの場合、これは自動
手書き認識装置２１３にパスされてデコードされ、デコ
ード・テキストが選択ブロック２１５に確信スコアと一
緒に送信される。これらのスコアは手書きのストローク
が正確にデコードされる可能性を反映する。確信スコア
を計算するための多くの異なる方法が存在する。例え
ば、手書きのストロークＨＷが提供される場合、最適な
マッチングに対応する探索が実施される幾つかの候補Ｗ
１、Ｗ２、Ｗ３が存在する。Ｌ（Ｗ１、ＨＷ）、Ｌ（Ｗ
２、ＨＷ、．．．）、．．．を、ストロークＨＷが語Ｗ
１、Ｗ２、．．．にそれぞれマッチングする度合いを測
定する見込みスコアとする。最尤スコアにおける正規化
ピークの鋭さは、手書きストロークが正確にデコードさ
れた確信レベルを表す。
【００６３】選択ブロック２１５において、所定のしき
い値よりも高い確信スコアを有する語が選択され、手書
きトランスクリプト内のそれらの位置に従い番号付けさ
れる。全てのこれらの情報は形式ブロック１２６に送信
され、次のオペレーションが実行される。
【００６４】ａ）語がトランスクリプト内のそれらの位
置に関する情報を表すラベルにより記される。一連の
（語、ラベル）対がブロック２１６でフォーマットされ
（例えばＡＳＣＩＩ形式で）、フォーマット化された情
報が比較ブロック２０９に送信される。この比較ブロッ
ク２０９では、トランスクリプト語（指標語）が自動音
声認識装置３４から受信されたフォーマット済みデコー
ド・テキスト３８と比較される。
【００６５】ｂ）リストＴｉのサイズに関する情報（Ｔ
ｉを含むファイル内の語またはラインのおおよそのまた
は正確な数）が、セグメンタ・ブロック３２（図２）に
送信される。トランスクリプトＴｉの情報が自動音声認
識装置３４に送信される。
【００６６】２）テキスト記憶２４内のトランスクリプ
トが走査タイプの資料（例えば本、ファックスなど）に
より生成される場合、トランスクリプト・ファイルはブ
ロック２１４内の自動文字認識装置（ＯＣＲ）に送信さ
れる。ブロック２１４からのデコード出力（デコード
語、確信スコア）が、上記１）の場合と同様のプロシー
ジャにより、選択ブロック２１５Ａに送信される。
【００６７】３）トランスクリプトがＡＳＣＩＩ文字ま
たはＢＡＵＤＯＴ文字などのフォーマットで表される。
この場合、トランスクリプトは形式ブロック２１６に送
信され、次にケース１）と同様に処理される。
【００６８】次にブロック２０９のプロシージャについ
て説明する。このブロックは、テキストＴｉに対応する
デコード・テキストＤＴｉを再帰的に受信する。デコー
ド・テキストＤＴｉはその参照テキストＴｉ（ｉ−１か
ら再帰的に開始する）に対して位置合わせされる。
【００６９】この位置合わせが実行される３つの主なケ
ースが存在する。
【００７０】ケース１：トランスクリプトＴｉが記録音
声の正確な表現である。
【００７１】この場合、ＤＴｉ内の語はこれらがＤＴｉ
内の対応する語と同一のコンテキスト（ほぼ同じ'位置'
において発生）を有するＴｉ内の語にマッチングする場
合、"正しい"と見なされる。２つの等しい語が同一のコ
ンテキスト（同一の'位置'において発生）を有するかど
うかを定義するために、次のような処理が実行される。
【００７２】１）Ｔｉ及びＤＴｉ内の語が列挙される。
例えば、ＤＴｉ内の語がテキスト内に現れる時、ＤＷ
１、ＤＷ２、．．．のように番号付けされる。同様にテ
キストＴｉ内の語がＷ１、Ｗ２、Ｗ３のように番号付け
され、｜ｊ−ｉ｜＜ｄならば、語ＤＷｉ及びＷｊはほぼ
同じ位置と見なされる。ここで値ｄは小さな数（例えば
３または４）である。語ＤＷｉとＷｉがほぼ同じ位置に
あり、等しい（すなわち同一の文字ストリングである）
場合、これらはマッチングするものと見なされる。
【００７３】２）P．F．Brownらによる文献"Aligning S
entences in Parallel Corpora"（Proceedings 29th An
nual Meeting of the Association for ComputationalL
inquistics、Berkeley、California、pages 169-176、
１９９１年）で述べられる方法を使用する。
【００７４】第１のアルゴリズムは次のようにして改良
される。
【００７５】ａ）（文字ストリングが）等しい語ＤＷｉ
及びＷｊが大きな長さ（文字数として定義される）を有
する場合、距離ｄ＝｜ｉ−ｊ｜は割合に大きくなる（例
えばｄ＝５または６）。同時にこれらの語が短い場合に
は（例えばＤＷｉが'a' または'the'など）、ｄは小さ
いべきである（１または２）。
【００７６】ｂ）等しい語ＤＷｉ及びＷｊが低い発生頻
度（これらの語がテキストの大きな集成内で発生する頻
度として測定される）を有する場合、ｄ＝｜ｉ−ｊ｜が
大きく選択される。一方、ＤＷｉ−Ｗｉが非常に頻繁な
語の場合には、（'a'、'it'、'no'など）、ｄ＝｜ｉ−
ｊ｜は小さく選択されるべきである。
【００７７】ｃ）ＤＷ（ｉ−１）、ＤＷｉの対と、Ｗ
（ｊ−１）、Ｗｊの対が等しい場合、差ｄ＝｜ｉ−ｊ｜
は大きく選択される。同様に３重音字（trigram ）ＤＷ
（ｉ−２）、ＤＷ（ｉ−１）、ＤＷｉ及びＷ（ｊ−２）
Ｗ（ｊ−１）Ｗｊが等しいと、ｄ＝｜ｉ−ｊ｜は更に増
加される。ｄ＝｜ｉ−ｊ｜の許容値の同様の増加が、他
のｎが増加するｎ重音字に対しても考慮される。
【００７８】ｄ）ＤＴｉ内の語とＴｉ内の語との比較
が、特定のしきい値よりも高い確信スコアを有するＤＴ
ｉ内の語に対してのみ実行される。（デコード語の確信
スコアについては上記１）で説明済み。）
【００７９】３）ＤＴｉ内のワードが、デコーディング
の間に音響フレームにより指標化される（すなわちＤＴ
ｉ内の各語の開始及び終わりが、音響フレームの特定の
セットに対応する（上記アルゴリズムＡを参照））。平
均スピードを、テキストＴｉを口授する際に使用される
テープ上のフレーム数に対する、このテキスト内の語数
の比率として定義することにより、テキストＴｉをフレ
ームのストリングに対して、ほぼ位置合わせさせること
ができる。次に、任意の語に先行する語の数によるこの
スピードの生成が、テキスト内におけるそのおおよその
相対位置を定義する。
【００８０】４）既知の連続音声認識アルゴリズム（例
えばH．C．Leung、V．W．Zueらによる"A Procedure For
Automatic Alignment of Phonetic Transcriptions Wi
thContinuous Speech"、Proceedings of ICASSP 84、pa
ges 2．7．1−2．7．3、１９８４年）を用いて、フレー
ムのストリングを音素のストリングにより位置合わせす
る。この音声学上のストリングを音響フレーム・ストリ
ングとの対応を介して、デコード・テキストＤＴｉと比
較する。規則（またはテーブル）を使用し、参照テキス
トＴｉに対応する音声学的ストリングを生成する。次
に、テキストＤＴｉ及びＴｉ内の語が、同様の音声学的
サブストリングにより囲まれる場合に、これらを同一位
置にあるものと見なす。
【００８１】ケース２：
【００８２】１．このケースでは、アルゴリズムは、上
記幾つかの規則が緩和される以外は、ケース１のアルゴ
リズムと同様である。
【００８３】次に、上記アルゴリズムの変更例を示す。
【００８４】ａ）ＤＴｉ及びＴｉからの語は、これらが
ほぼ同一の位置にあり（上記２における定義の意味にお
いて）、それらの長さ（すなわちそれらを構成する文字
数）が大きい場合（例えば５または７）、マッチングす
るものと見なされる。比較可能な語の正確な長さは、テ
キストＴｉの近似レベルに依存する。Ｔｉが記録音声を
より近似すればする程、マッチングを得るために要求さ
れる語の長さは長くなるべきである。
【００８５】ｂ）順序に関する挿入、省略及び変更が、
ｃ）の場合の様なｎ重音字の語の比較においても可能と
なる。例えば、Ｗ（ｊ−２）＝Ｖ（ｊ−３）、Ｗ（ｊ−
１）＝Ｖ（ｊ−１）及びＷｊ＝Ｖｊで、比較される語が
十分な長さを有する場合、ＤＴｉ内の３重音字Ｗ（ｊ−
２）Ｗ（ｊ−１）Ｗｊが、Ｔｉからの５重音字Ｖ（ｊ−
３）Ｖ（ｊ−２）Ｖ（ｊ−１） ＶｊＶ（ｊ＋１）と比
較される。この例では、Ｔｉからの他の語Ｖ（ｊ−２）
及びＶ（ｊ＋１）は挿入と見なされる。
【００８６】同様に語順の入替えの後、ＤＴｉ及びＴｉ
内のｎ重音字が等しい場合、対応する語がマッチングす
ると見なされる。
【００８７】２．音声データ内の各語セグメントに対し
て、提供されるスクリプトＴｉからの位置合わせ語のス
コアと、その音声セグメントに対応するＤＴｉ内のデコ
ード語のスコアとを比較する。差が指定のしきい値を満
足する場合には、スクリプト語を挿入するかデコード語
により置換する。
【００８８】ケース３．音声データ及び概要スクリプト
が使用可能
【００８９】ａ）高い確信スコア（アンカ（anchor）・
ポイント）を有するＤＴｉ内の語を識別する。
【００９０】ｂ）アンカ・ポイント・シーケンスを、使
用可能な概要スクリプトに位置合わせする。この場合、
概要スクリプト及び音声データは、ほとんど時間的相関
を持たない。なぜなら、概要の準備において、作成者は
音声データ内のトピックを、この思慮において再編成可
能であるからである。この結果、概要は文（センテン
ス）に分割され、全てのアンカ・ポイントが全ての概要
センテンスと比較される。しきい値機構により、アンカ
・ポイントはマップ化されないか、１つまたは複数のセ
ンテンスにマップされる。（意味上の類似性を用いて、
アンカ・ポイントから概要センテンスを生成する隠れマ
ルコフ・モデル（hidden Markov model ）が訓練され、
Viterbi位置合わせ（アライメント）において使用され
る。）
【００９１】ｃ）位置合わせ結果を用い、概要を各々が
アンカ・ポイントに関連付けされるセグメントに分割す
る。アンカ・ポイントはタイム・スタンプを運ぶため、
概要スクリプトと音声データとの間の時間位置合わせが
達成できる。
【００９２】ｄ）サブセグメントに対してこのプロセス
を繰返すことにより、サブセグメントを更に小さな部分
に分割する。
【００９３】次に図５について説明する。図５は、デコ
ード・テキスト（順序付けられた一連の認識語）ＤＴ及
びトランスクリプトＴを含み、前者は左側の垂直方向に
伸びる一連の語１、２、３、．．．８により表され、後
者は右側の垂直方向に伸びる一連の語１'、２'、
３'、．．．７'により表される。語の対（１、１'）、
（４、５'）、（８、７' ）が図４において述べられた
ようにして一致したものとする。一連の語１、
２、．．．８は、デコーディングの間（図３のブロック
４２）に音声データに対して位置合わせされる。ここで
（ｔ０、ｔ１）、（ｔ１、ｔ２）、．．．（ｔ７、ｔ
８）が、それぞれ語１、２、３．．．８の開始及び終わ
りに対応するものとする。比較されるトランスクリプト
１'、５'、７' は、（マッチングするデコード語を介し
て、）時間データ（ｔ０、ｔ１）、（ｔ３、ｔ４）、
（ｔ７、ｔ８）にそれぞれ対応する。
【００９４】残りのデコード語は線形補間による時間デ
ータにより位置合わせされる。例えば、時間セグメント
（ｔ１、ｔ３）は語セグメントＷ２、Ｗ３に対応し、語
の長さに従い位置合わせされる。例えばＷ２がＮ音素を
含み、Ｗ３がＭ音素を含み、ｔ＝ｔ３−ｔ１の場合、セ
グメント［ｔ１、ｔ１＋ｔ* Ｎ／（Ｎ＋Ｍ）］はＷ２に
対応し、セグメント［ｔ１＋ｔ* Ｎ／（Ｎ＋Ｍ）、ｔ
３］はＷ３に対応する。
【００９５】位置合わせされたトランスクリプト−音声
データは図３の記録／再生デッキ１９からのビデオ・デ
ータにより位置合わせされる。この位置合わせは音声−
ビデオ・データに対して実施されるタイム・スタンプの
刻印により獲得される。
【００９６】次に図６について説明する。ここでは音声
認識装置の語彙が、テキスト・トランスクリプトのセグ
メントから獲得される。ブロック５０１は処理されるト
ランスクリプトＴｉの現部分を含む。トランスクリプト
Ｔｉのこの部分は、Ｔｉ内のテキストが形成された語彙
Ｖ５０４、及びＴｉに対応する音声を含むテープ・セク
ション５０５のおおよそのサイズ５０３を導出するため
に使用される。サイズは、Ｔｉ内の各語に対して、テー
プ上のその対応する音声データの最大可能サイズＤｒを
予測し、テープ内のセグメントの長さとして、セグメン
ト内の全てのＤｒ（ｒ＝１、２．．．）の合計を取るこ
とにより獲得される。
【００９７】この情報はブロック５０２に転送され、こ
こで次のタスクが実行される。前のＴ（ｉ−１）テキス
トに対応するテープ上の音声セグメントの終わり（また
は第１のＴ１セグメントに対応するテープの開始）が識
別される。ブロック５０１から提供される長さを有する
テープの次のセグメントが、自動音声認識装置５０６に
よりプレイされる。自動音声認識装置は、ブロック５０
１から提供された語彙を用い、この音声データをデコー
ドする。自動音声認識装置は各デコードされた一連の語
Ｗ１、Ｗ２、．．．Ｗｋをブロック５０１に送信し、そ
れをテキストＴｉと比較する。デコードされた一連の語
がＴｉ内の対応部分Ｖ１、Ｖ２、．．．Ｖｉにマッチン
グすると、次の語Ｖ（１＋１）が、自動音声認識装置が
音声データの対応するセグメントのデコードにおいて処
理中の、代わりの語のリストに追加される。（この候補
語Ｖ（１＋１）は、考慮されるパス内の次の語となる見
込みを表す追加スコアと共に提供される。）全テキスト
Ｔｉがデコードされた後、テキストの終わりに対応する
テープ・音声データの終わりが定義される。ＴｉがＴ内
の最後のセグメントでない場合、音声セグメントのこの
終わりが、テキストの次のステップ（Ｔ（ｉ＋１）のデ
コーディング）部分に転送される。
【００９８】まとめとして、本発明の構成に関して以下
の事項を開示する。
【００９９】（１）音声記録を指標化する装置であっ
て、各々が少なくとも１つの音響情報信号単位を記憶す
る複数の記録ロケーションを有し、話言葉から生成され
る音を表す順序付けられた一連の音響情報信号単位を記
憶する音響記録装置と、音響情報信号により表される音
の発生が提供されると、発生の高い条件確率を有する順
序付けられた一連の認識語（各認識語が少なくとも１つ
の音響情報信号単位に対応し、少なくとも１つの先行す
るまたは後続の認識語のコンテキストを有する）を生成
する音声認識装置と、音響情報信号単位により表される
少なくとも幾つかの話言葉の可視表現を含む、順序付け
られた一連の指標語（各指標語が少なくとも１つの先行
するまたは後続の指標語のコンテキストを有する）を記
憶するテキスト記憶装置と、順序付けられた一連の認識
語を順序付けられた一連の指標語と比較し、双方が同一
語に相当し、マッチングするコンテキストを有する認識
語と指標語とを対にし、各対にされる指標語に、該指標
語と対を成す認識語に対応する音響情報信号単位の記録
ロケーションをタグ付けする手段と、を含む装置。 （２）各認識語が一連の１個以上の文字を含み、各指標
語が一連の１個以上の文字を含み、認識語と指標語が同
じ一連の文字を含む時、両者を同じと見なす、前記
（１）記載の装置。 （３）ターゲット認識語のコンテキストが、順序付けら
れた一連の認識語内の該ターゲット認識語に先行する他
の認識語の数を含み、ターゲット指標語のコンテキスト
が、順序付けられた一連の指標語内の該ターゲット指標
語に先行する他の指標語の数を含み、認識語のコンテキ
ストが指標語のコンテキストの選択しきい値以内であれ
ば、認識語のコンテキストが指標語のコンテキストにマ
ッチングする、前記（２）記載の装置。 （４）認識語と対を成さない各指標語が、順序付けられ
た一連の指標語内の最も近い先行対の指標語と、順序付
けられた一連の指標語内の最も近い後続対の指標語とを
有し、比較手段が対を成さない指標語に、最も近い先行
対の指標語の記録ロケーションと、最も近い後続対の指
標語の記録ロケーションとの間の記録ロケーションをタ
グ付けする、前記（３）記載の装置。 （５）音声認識装置が各認識語を少なくとも１つの音響
情報信号単位により位置合わせする、前記（４）記載の
装置。 （６）指標語と対を成さない各認識語が、順序付けられ
た一連の認識語内の最も近い先行対の認識語と、順序付
けられた一連の認識語内の最も近い後続対の認識語とを
有し、ターゲット認識語のコンテキストが、順序付けら
れた一連の認識語内において、該ターゲット認識語に先
行し且つ最も近い先行対の認識語に続く他の認識語の数
を含み、ターゲット指標語のコンテキストが、順序付け
られた一連の指標語内において、該ターゲット指標語に
先行し且つ最も近い先行対の指標語に続く他の指標語の
数を含み、認識語のコンテキストが指標語のコンテキス
トの選択しきい値以内であれば、認識語のコンテキスト
が指標語のコンテキストにマッチングする、前記（５）
記載の装置。 （７）音声記録を指標化する方法であって、各々が少な
くとも１つの音響情報信号単位を記憶する複数の記録ロ
ケーションを有する音響記録装置により、話言葉から生
成される音を表す順序付けられた一連の音響情報信号単
位を記憶するステップと、音響情報信号により表される
音の発生が提供されると、発生の高い条件確率を有する
順序付けられた一連の認識語（各認識語が少なくとも１
つの音響情報信号単位に対応し、少なくとも１つの先行
するまたは後続の認識語のコンテキストを有する）を生
成する生成ステップと、音響情報信号単位により表され
る少なくとも幾つかの話言葉の可視表現を含む、順序付
けられた一連の指標語（各指標語が少なくとも１つの先
行するまたは後続の指標語のコンテキストを有する）を
記憶する記憶ステップと、順序付けられた一連の認識語
を順序付けられた一連の指標語と比較し、双方が同一語
に相当し、マッチングするコンテキストを有する認識語
と指標語とを対にするステップと、各対にされる指標語
に、該指標語と対を成す認識語に対応する音響情報信号
単位の記録ロケーションをタグ付けするステップと、を
含む方法。 （８）各認識語が一連の１個以上の文字を含み、各指標
語が一連の１個以上の文字を含み、認識語と指標語が同
じ一連の文字を含む時、両者を同じと見なす、前記
（７）記載の方法。 （９）ターゲット認識語のコンテキストが、順序付けら
れた一連の認識語内の該ターゲット認識語に先行する他
の認識語の数を含み、ターゲット指標語のコンテキスト
が、順序付けられた一連の指標語内の該ターゲット指標
語に先行する他の指標語の数を含み、認識語のコンテキ
ストが指標語のコンテキストの選択しきい値以内であれ
ば、認識語のコンテキストが指標語のコンテキストにマ
ッチングする、前記（８）記載の方法。 （１０）認識語と対を成さない各指標語が、順序付けら
れた一連の指標語内の最も近い先行対の指標語と、順序
付けられた一連の指標語内の最も近い後続対の指標語と
を有し、タグ付けステップが、対を成さない指標語に最
も近い先行対の指標語の記録ロケーションと、最も近い
後続対の指標語の記録ロケーションとの間の記録ロケー
ションをタグ付けする、前記（９）記載の方法。 （１１）各認識語を少なくとも１つの音響情報信号単位
により位置合わせする、前記（１０）記載の方法。 （１２）指標語と対を成さない各認識語が、順序付けら
れた一連の認識語内の最も近い先行対の認識語と、順序
付けられた一連の認識語内の最も近い後続対の認識語と
を有し、ターゲット認識語のコンテキストが、順序付け
られた一連の認識語内において、該ターゲット認識語に
先行し且つ最も近い先行対の認識語に続く他の認識語の
数を含み、ターゲット指標語のコンテキストが、順序付
けられた一連の指標語内において、該ターゲット指標語
に先行し且つ最も近い先行対の指標語に続く他の指標語
の数を含み、認識語のコンテキストが指標語のコンテキ
ストの選択しきい値以内であれば、認識語のコンテキス
トが指標語のコンテキストにマッチングする、前記（１
１）記載の方法。
【０１００】
【発明の効果】以上説明したように、本発明によれば、
指標テキストを音声または音声／ビデオ記録の対応部分
に自動的にマップする方法が提供され、音声または音声
／ビデオ記録のセグメントの探索能力、及び音声または
音声／ビデオ記録の編集能力が向上する。
【図面の簡単な説明】
【図１】本発明による音声記録の指標化のための装置例
のブロック図である。
【図２】提案される発明においてプロシージャ及びデー
タが関連付けされる様子を示すブロック図である。
【図３】テキスト及び音声／ビデオ記録の自動位置合わ
せのためのシステム例のブロック図である。
【図４】図２のマッピング・モジュールの例のブロック
図である。
【図５】音声／ビデオ・データ及び復号化テキスト・デ
ータの位置合わせを示す図である。
【図６】音声認識装置の語彙がテキスト・トランスクリ
プトのセグメントから獲得される様子を示す図である。
【符号の説明】
１２ 記録媒体 １６ タイマ １９ 記録／再生デッキ ２４ テキスト記憶 ３２ セグメンタ・ブロック ３４ 自動音声認識装置（ＡＳＲ） ３８ デコード・テキスト ４０ 一時記憶 ４２ 時間位置合わせ装置 ６２ モニタ ７０ 音響記録装置 ７２ 音声認識装置 ７４ テキスト記憶装置 ７６ 比較器 １０１ 音声／ビデオ・データ １０２ 参照トランスクリプト・データ １０４ デコード出力（認識語） １０５ 比較モジュール １０６ タイム・アライナ １０７ 指標データ １０８ ユーザ １０３ デコーディング・モジュール（自動音声認識装
置） １２６ 形式ブロック ２０９ 比較ブロック ２１３ 自動手書き認識装置 ２１５ 選択ブロック
───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.6 識別記号 ＦＩ Ｈ０４Ｎ 5/91 Ｈ０４Ｎ 5/91 Ｎ Ｇ１１Ｂ 27/19 (72)発明者 デミトリ・カネブスキー アメリカ合衆国10568、ニューヨーク州 オシニング、スプリング・バレー・ロー ド 1358 (72)発明者 マイケル・ワイ・キム アメリカ合衆国10583、ニューヨーク州 スカーズデール、フェザント・ラン 23 (72)発明者 デビッド・ナハモ アメリカ合衆国10605、ニューヨーク州 ホワイト・プレインズ、エルムウッド・ ロード 12 (72)発明者 マイケル・エイ・ピチェニー アメリカ合衆国10606、ニューヨーク州 ホワイト・プレインズ、ラルフ・アベニ ュー 118 (72)発明者 ウォルデック・ダブリュ・ザドロズニー アメリカ合衆国10547、ニューヨーク州 モヒガン・レイク、ワインディング・コ ート １ (56)参考文献 特開 平１−224796（ＪＰ，Ａ) 特開 平５−224696（ＪＰ，Ａ) 特開 平３−80782（ＪＰ，Ａ) 特開 平５−314740（ＪＰ，Ａ) 特開 平４−14388（ＪＰ，Ａ) 特開 平７−44182（ＪＰ，Ａ) 特開 平８−179788（ＪＰ，Ａ) 特開 平５−232861（ＪＰ，Ａ) 特開 平７−284053（ＪＰ，Ａ) 特開 平５−119787（ＪＰ，Ａ) 特開 平４−345385（ＪＰ，Ａ) 特開 平６−139289（ＪＰ，Ａ) 特開 平３−250481（ＪＰ，Ａ) 特開 平２−33200（ＪＰ，Ａ) 特開 平５−307398（ＪＰ，Ａ) 特開 平６−250688（ＪＰ，Ａ) 特開 平５−334861（ＪＰ，Ａ) 米国特許5649060（ＵＳ，Ａ) 欧州特許出願公開649144（ＥＰ，Ａ １) Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈ ｅ ＩＡＳＴＥＤ Ｉｎｔｅｒｎａｔｉ ｏｎａｌ Ｓｙｍｐｏｓｉｕｍ，Ｒｏｂ ｏｔｉｃｓ ａｎｄ Ａｕｔｏｍａｔｉ ｏｎ，1985，”Ａｕｔｏｍａｔｉｏｎ Ａｌｉｇｎｍｅｎｔ ｏｆ Ｐｈｏｎｅ ｔｉｃ Ｔｒａｎｓｃｒｉｐｔｉｏｎ ｗｉｔｈ Ｃｏｕｎｔｉｎｕｏｕｓ Ｓ ｐｅｅｃｈ”，ｐ．24−27 Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈ ｅ Ｃｏｎｆｅｒｅｎｃｅ，29ｔｈ Ａ ｎｎｕａｌ Ｍｅｅｔｉｎｇ ｏｆ ｔ ｈｅ Ａｓｓｏｃｉａｔｉｏｎ ｆｏｒ Ｃｏｍｐｕｔａｔｉｏｎａｌ Ｌｉｎ ｇｕｉｓｔｉｃｓ，1991，”Ａｌｉｇｎ ｉｎｇ Ｓｅｎｔｅｎｃｅｓ ｉｎ Ｐ ａｒａｌｌｅｌ Ｃｏｒｐｏｒａ”, ｐ．169−176 Ｃｏｍｐｕｔａｔｉｏｎａｌ Ｌｉｎ ｇｕｉｓｔｉｃｓ，Ｖｏｌ．19，Ｎｏ. １，”Ａ Ｐｒｏｇｒａｍ ｆｏｒ Ａ ｌｉｇｎｉｎｇ Ｓｅｎｔｅｎｃｅｓ ｉｎ Ｂｉｌｉｎｇｕａｌ Ｃｏｒｐｏ ｒａ”，ｐ．75−102 Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ 1984 ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａ ｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｃ ｏｕｓｔｉｃｓ，Ｓｐｅｅｃｈ，ａｎｄ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎ ｇ，Ｖｏｌ．１，”Ａ Ｐｒｏｃｅｄｕ ｒｅ ｆｏｒ Ａｕｔｏｍａｔｉｃ Ａ ｌｉｇｎｍｅｎｔ ｏｆ Ｐｈｏｎｅｔ ｉｃ Ｔｒａｎｓｃｒｉｐｔｉｏｎ ｗ ｉｔｈ Ｃｏｎｔｉｎｕｏｕｓ Ｓｐｅ ｅｃｈ”，ｐ．２．７．１−２．７．４ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ 1988 ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａ ｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｃ ｏｕｓｔｉｃｓ，Ｓｐｅｅｃｈ，ａｎｄ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎ ｇ，Ｖｏｌ．１，”Ｓ13．11 Ａｕｔｏ ｍａｔｉｃ Ａｌｉｇｎｍｅｎｔ ｏｆ Ｓｐｅｅｃｈ ｗｉｔｈ Ｐｈｏｎｅ ｔｉｃ Ｔｒａｎｓｃｒｉｐｔｉｏｎｓ ｉｎ Ｒｅａｌ Ｔｉｍｅ”，ｐ. 611−614 ＩＢＭ Ｔｅｃｈｎｉｃａｌ Ｄｉｓ ｃｌｏｓｕｒｅ Ｂｕｌｌｅｔｉｎ，Ｖ ｏｌ．33，Ｎｏ．10Ａ，Ｍａｒｃｈ 1991，”Ｃｏｒｒｅｌａｔｉｎｇ Ａｕ ｄｉｏ ａｎｄ Ｍｏｖｉｎｇ−Ｉｍａ ｇｅ Ｔｒａｃｋｓ”，ｐ．295−296 (58)調査した分野(Int.Cl.6，ＤＢ名) G10L 3/00 - 9/20 G03B 31/00 G06F 17/30 G11B 27/10 H04N 5/91 G10K 15/04 302 ＩＮＳＰＥＣ（ＤＩＡＬＯＧ) ＪＩＣＳＴファイル（ＪＯＩＳ) ＷＰＩ／Ｌ（ＱＵＥＳＴＥＬ)

Claims (12)

    (57)【特許請求の範囲】
  1. 【請求項１】音声記録を指標化する装置であって、 各々が少なくとも１つの音響情報信号単位を記憶する複
    数の記録ロケーションを有し、話言葉から生成される音
    を表す順序付けられた一連の音響情報信号単位を記憶す
    る音響記録装置と、 音響情報信号により表される音の発生が提供されると、
    発生の高い条件確率を有する順序付けられた一連の認識
    語（各認識語が少なくとも１つの音響情報信号単位に対
    応し、少なくとも１つの先行するまたは後続の認識語の
    コンテキストを有する）を生成する音声認識装置と、 音響情報信号単位により表される少なくとも幾つかの話
    言葉の可視表現を含む、順序付けられた一連の指標語
    （各指標語が少なくとも１つの先行するまたは後続の指
    標語のコンテキストを有する）を記憶するテキスト記憶
    装置と、 順序付けられた一連の認識語を順序付けられた一連の指
    標語と比較し、双方が同一語に相当し、マッチングする
    コンテキストを有する認識語と指標語とを対にし、各対
    にされる指標語に、該指標語と対を成す認識語に対応す
    る音響情報信号単位の記録ロケーションをタグ付けする
    手段と、 を含む装置。
  2. 【請求項２】各認識語が一連の１個以上の文字を含み、 各指標語が一連の１個以上の文字を含み、 認識語と指標語が同じ一連の文字を含む時、両者を同じ
    と見なす、 請求項１記載の装置。
  3. 【請求項３】ターゲット認識語のコンテキストが、順序
    付けられた一連の認識語内の該ターゲット認識語に先行
    する他の複数の認識語を含み、 ターゲット指標語のコンテキストが、順序付けられた一
    連の指標語内の該ターゲット指標語に先行する他の複数
    の指標語を含み、 認識語のコンテキストが指標語のコンテキストの選択し
    きい値以内であれば、認識語のコンテキストが指標語の
    コンテキストにマッチングする、 請求項２記載の装置。
  4. 【請求項４】認識語と対を成さない各指標語が、順序付
    けられた一連の指標語内の最も近い先行対の指標語と、
    順序付けられた一連の指標語内の最も近い後続対の指標
    語とを有し、 比較手段が対を成さない指標語に、最も近い先行対の指
    標語の記録ロケーションと、最も近い後続対の指標語の
    記録ロケーションとの間の記録ロケーションをタグ付け
    する、 請求項３記載の装置。
  5. 【請求項５】音声認識装置が各認識語を少なくとも１つ
    の音響情報信号単位により位置合わせする、請求項４記
    載の装置。
  6. 【請求項６】指標語と対を成さない各認識語が、順序付
    けられた一連の認識語内の最も近い先行対の認識語と、
    順序付けられた一連の認識語内の最も近い後続対の認識
    語とを有し、 ターゲット認識語のコンテキストが、順序付けられた一
    連の認識語内において、該ターゲット認識語に先行し且
    つ最も近い先行対の認識語に続く他の複数の認識語を含
    み、 ターゲット指標語のコンテキストが、順序付けられた一
    連の指標語内において、該ターゲット指標語に先行し且
    つ最も近い先行対の指標語に続く他の複数の指標語を含
    み、 認識語のコンテキストが指標語のコンテキストの選択し
    きい値以内であれば、認識語のコンテキストが指標語の
    コンテキストにマッチングする、 請求項５記載の装置。
  7. 【請求項７】音声記録を指標化する方法であって、 各々が少なくとも１つの音響情報信号単位を記憶する複
    数の記録ロケーションを有する音響記録装置により、話
    言葉から生成される音を表す順序付けられた一連の音響
    情報信号単位を記憶するステップと、 音響情報信号により表される音の発生が提供されると、
    発生の高い条件確率を有する順序付けられた一連の認識
    語（各認識語が少なくとも１つの音響情報信号単位に対
    応し、少なくとも１つの先行するまたは後続の認識語の
    コンテキストを有する）を生成する生成ステップと、 音響情報信号単位により表される少なくとも幾つかの話
    言葉の可視表現を含む、順序付けられた一連の指標語
    （各指標語が少なくとも１つの先行するまたは後続の指
    標語のコンテキストを有する）を記憶する記憶ステップ
    と、 順序付けられた一連の認識語を順序付けられた一連の指
    標語と比較し、双方が同一語に相当し、マッチングする
    コンテキストを有する認識語と指標語とを対にするステ
    ップと、 各対にされる指標語に、該指標語と対を成す認識語に対
    応する音響情報信号単位の記録ロケーションをタグ付け
    するステップと、 を含む方法。
  8. 【請求項８】各認識語が一連の１個以上の文字を含み、 各指標語が一連の１個以上の文字を含み、 認識語と指標語が同じ一連の文字を含む時、両者を同じ
    と見なす、 請求項７記載の方法。
  9. 【請求項９】ターゲット認識語のコンテキストが、順序
    付けられた一連の認識語内の該ターゲット認識語に先行
    する他の複数の認識語を含み、 ターゲット指標語のコンテキストが、順序付けられた一
    連の指標語内の該ターゲット指標語に先行する他の複数
    の指標語を含み、 認識語のコンテキストが指標語のコンテキストの選択し
    きい値以内であれば、認識語のコンテキストが指標語の
    コンテキストにマッチングする、 請求項８記載の方法。
  10. 【請求項１０】認識語と対を成さない各指標語が、順序
    付けられた一連の指標語内の最も近い先行対の指標語
    と、順序付けられた一連の指標語内の最も近い後続対の
    指標語とを有し、 タグ付けステップが、対を成さない指標語に最も近い先
    行対の指標語の記録ロケーションと、最も近い後続対の
    指標語の記録ロケーションとの間の記録ロケーションを
    タグ付けする、 請求項９記載の方法。
  11. 【請求項１１】各認識語を少なくとも１つの音響情報信
    号単位により位置合わせする、請求項１０記載の方法。
  12. 【請求項１２】指標語と対を成さない各認識語が、順序
    付けられた一連の認識語内の最も近い先行対の認識語
    と、順序付けられた一連の認識語内の最も近い後続対の
    認識語とを有し、 ターゲット認識語のコンテキストが、順序付けられた一
    連の認識語内において、該ターゲット認識語に先行し且
    つ最も近い先行対の認識語に続く他の複数の認識語を含
    み、 ターゲット指標語のコンテキストが、順序付けられた一
    連の指標語内において、該ターゲット指標語に先行し且
    つ最も近い先行対の指標語に続く他の複数の指標語を含
    み、 認識語のコンテキストが指標語のコンテキストの選択し
    きい値以内であれば、認識語のコンテキストが指標語の
    コンテキストにマッチングする、 請求項１１記載の方法。
JP6204690A 1993-10-18 1994-08-30 音声記録指標化装置及び方法 Expired - Fee Related JP2986345B2 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US13894993A 1993-10-18 1993-10-18
US138949 1993-10-18

Publications (2)

Publication Number Publication Date
JPH07199379A JPH07199379A (ja) 1995-08-04
JP2986345B2 true JP2986345B2 (ja) 1999-12-06

Family

ID=22484393

Family Applications (1)

Application Number Title Priority Date Filing Date
JP6204690A Expired - Fee Related JP2986345B2 (ja) 1993-10-18 1994-08-30 音声記録指標化装置及び方法

Country Status (4)

Country Link
US (1) US5649060A (ja)
EP (1) EP0649144B1 (ja)
JP (1) JP2986345B2 (ja)
DE (1) DE69422466T2 (ja)

Families Citing this family (423)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8352400B2 (en) 1991-12-23 2013-01-08 Hoffberg Steven M Adaptive pattern recognition based controller apparatus and method and human-factored interface therefore
JP2986345B2 (ja) 1993-10-18 1999-12-06 インターナショナル・ビジネス・マシーンズ・コーポレイション 音声記録指標化装置及び方法
US5970454A (en) * 1993-12-16 1999-10-19 British Telecommunications Public Limited Company Synthesizing speech by converting phonemes to digital waveforms
US5600756A (en) * 1994-05-11 1997-02-04 Sony Corporation Method of labelling takes in an audio editing system
US5745875A (en) * 1995-04-14 1998-04-28 Stenovations, Inc. Stenographic translation system automatic speech recognition
JPH09146977A (ja) * 1995-11-28 1997-06-06 Nec Corp データ検索装置
US5794249A (en) * 1995-12-21 1998-08-11 Hewlett-Packard Company Audio/video retrieval system that uses keyword indexing of digital recordings to display a list of the recorded text files, keywords and time stamps associated with the system
US6067517A (en) * 1996-02-02 2000-05-23 International Business Machines Corporation Transcription of speech data with segments from acoustically dissimilar environments
GB2311678B (en) * 1996-03-27 2000-06-28 Sony Uk Ltd Script editor
US5946499A (en) * 1996-05-10 1999-08-31 Apple Computer, Inc. Method and apparatus for processing text inputs from multiple input devices in a plurality of applications
US6272457B1 (en) * 1996-09-16 2001-08-07 Datria Systems, Inc. Spatial asset management system that time-tags and combines captured speech data and captured location data using a predifed reference grammar with a semantic relationship structure
US6961700B2 (en) 1996-09-24 2005-11-01 Allvoice Computing Plc Method and apparatus for processing the output of a speech recognition engine
US5857099A (en) * 1996-09-27 1999-01-05 Allvoice Computing Plc Speech-to-text dictation system with audio message capability
GB2302199B (en) * 1996-09-24 1997-05-14 Allvoice Computing Plc Data processing method and apparatus
US5828809A (en) * 1996-10-01 1998-10-27 Matsushita Electric Industrial Co., Ltd. Method and apparatus for extracting indexing information from digital video data
AU6313498A (en) * 1997-02-26 1998-09-18 Tall Poppy Records Limited Sound synchronizing
GB9709341D0 (en) * 1997-05-08 1997-06-25 British Broadcasting Corp Method of and apparatus for editing audio or audio-visual recordings
US6353809B2 (en) * 1997-06-06 2002-03-05 Olympus Optical, Ltd. Speech recognition with text generation from portions of voice data preselected by manual-input commands
WO1999005681A1 (de) * 1997-07-23 1999-02-04 Siemens Aktiengesellschaft Verfahren zum abspeichern von suchmerkmalen einer bildsequenz und zugriff auf eine bildfolge in der bildsequenz
GB9716690D0 (en) 1997-08-06 1997-10-15 British Broadcasting Corp Spoken text display method and apparatus for use in generating television signals
US7295752B1 (en) 1997-08-14 2007-11-13 Virage, Inc. Video cataloger system with audio track extraction
US6360234B2 (en) 1997-08-14 2002-03-19 Virage, Inc. Video cataloger system with synchronized encoders
US6567980B1 (en) 1997-08-14 2003-05-20 Virage, Inc. Video cataloger system with hyperlinked output
US6463444B1 (en) 1997-08-14 2002-10-08 Virage, Inc. Video cataloger system with extensibility
US6064957A (en) * 1997-08-15 2000-05-16 General Electric Company Improving speech recognition through text-based linguistic post-processing
EP0899737A3 (en) * 1997-08-18 1999-08-25 Tektronix, Inc. Script recognition using speech recognition
US6076059A (en) * 1997-08-29 2000-06-13 Digital Equipment Corporation Method for aligning text with audio signals
US6603835B2 (en) 1997-09-08 2003-08-05 Ultratec, Inc. System for text assisted telephony
DE19740119A1 (de) * 1997-09-12 1999-03-18 Philips Patentverwaltung System zum Schneiden digitaler Video- und Audioinformationen
US6850609B1 (en) * 1997-10-28 2005-02-01 Verizon Services Corp. Methods and apparatus for providing speech recording and speech transcription services
US6072542A (en) * 1997-11-25 2000-06-06 Fuji Xerox Co., Ltd. Automatic video segmentation using hidden markov model
US6009392A (en) * 1998-01-15 1999-12-28 International Business Machines Corporation Training speech recognition by matching audio segment frequency of occurrence with frequency of words and letter combinations in a corpus
US6336093B2 (en) * 1998-01-16 2002-01-01 Avid Technology, Inc. Apparatus and method using speech recognition and scripts to capture author and playback synchronized audio and video
US6092038A (en) * 1998-02-05 2000-07-18 International Business Machines Corporation System and method for providing lossless compression of n-gram language models in a real-time decoder
US8202094B2 (en) * 1998-02-18 2012-06-19 Radmila Solutions, L.L.C. System and method for training users with audible answers to spoken questions
US6490557B1 (en) * 1998-03-05 2002-12-03 John C. Jeppesen Method and apparatus for training an ultra-large vocabulary, continuous speech, speaker independent, automatic speech recognition system and consequential database
US6023678A (en) * 1998-03-27 2000-02-08 International Business Machines Corporation Using TTS to fill in for missing dictation audio
US6112172A (en) * 1998-03-31 2000-08-29 Dragon Systems, Inc. Interactive searching
US6789228B1 (en) * 1998-05-07 2004-09-07 Medical Consumer Media Method and system for the storage and retrieval of web-based education materials
US7689898B2 (en) * 1998-05-07 2010-03-30 Astute Technology, Llc Enhanced capture, management and distribution of live presentations
US6236968B1 (en) 1998-05-14 2001-05-22 International Business Machines Corporation Sleep prevention dialog based car system
US6067514A (en) * 1998-06-23 2000-05-23 International Business Machines Corporation Method for automatically punctuating a speech utterance in a continuous speech recognition system
US6490563B2 (en) * 1998-08-17 2002-12-03 Microsoft Corporation Proofreading with text to speech feedback
US6833865B1 (en) * 1998-09-01 2004-12-21 Virage, Inc. Embedded metadata engines in digital capture devices
US6360237B1 (en) * 1998-10-05 2002-03-19 Lernout & Hauspie Speech Products N.V. Method and system for performing text edits during audio recording playback
CA2251502A1 (en) * 1998-10-26 2000-04-26 Lancaster Equities Limited Digital speech acquisition, transmission, storage and search system and method
US6631368B1 (en) 1998-11-13 2003-10-07 Nortel Networks Limited Methods and apparatus for operating on non-text messages
US6473778B1 (en) * 1998-12-24 2002-10-29 At&T Corporation Generating hypermedia documents from transcriptions of television programs using parallel text alignment
EP1016985A3 (en) * 1998-12-30 2004-04-14 Xerox Corporation Method and system for topic based cross indexing of text and audio
US6684186B2 (en) 1999-01-26 2004-01-27 International Business Machines Corporation Speaker recognition using a hierarchical speaker model tree
US7966078B2 (en) 1999-02-01 2011-06-21 Steven Hoffberg Network media appliance system and method
US20020095290A1 (en) * 1999-02-05 2002-07-18 Jonathan Kahn Speech recognition program mapping tool to align an audio file to verbatim text
US6408301B1 (en) 1999-02-23 2002-06-18 Eastman Kodak Company Interactive image storage, indexing and retrieval system
KR100828884B1 (ko) * 1999-03-05 2008-05-09 캐논 가부시끼가이샤 데이터베이스 주석 및 검색
US6272461B1 (en) 1999-03-22 2001-08-07 Siemens Information And Communication Networks, Inc. Method and apparatus for an enhanced presentation aid
US6378035B1 (en) * 1999-04-06 2002-04-23 Microsoft Corporation Streaming information appliance with buffer read and write synchronization
US6434520B1 (en) 1999-04-16 2002-08-13 International Business Machines Corporation System and method for indexing and querying audio archives
AU736314B2 (en) * 1999-04-19 2001-07-26 Canon Kabushiki Kaisha Audio spotting advisor
US6535848B1 (en) * 1999-06-08 2003-03-18 International Business Machines Corporation Method and apparatus for transcribing multiple files into a single document
KR100325501B1 (ko) * 1999-06-25 2002-02-25 정상덕 자막 방송용 속기 문자 입력 시스템
US6442518B1 (en) 1999-07-14 2002-08-27 Compaq Information Technologies Group, L.P. Method for refining time alignments of closed captions
WO2001009877A2 (en) * 1999-07-28 2001-02-08 Custom Speech Usa, Inc. System and method for improving the accuracy of a speech recognition program
US6594629B1 (en) * 1999-08-06 2003-07-15 International Business Machines Corporation Methods and apparatus for audio-visual speech detection and recognition
US6434547B1 (en) 1999-10-28 2002-08-13 Qenm.Com Data capture and verification system
US7310600B1 (en) 1999-10-28 2007-12-18 Canon Kabushiki Kaisha Language recognition using a similarity measure
CN1329861C (zh) * 1999-10-28 2007-08-01 佳能株式会社 模式匹配方法和装置
US6882970B1 (en) 1999-10-28 2005-04-19 Canon Kabushiki Kaisha Language recognition using sequence frequency
US7050110B1 (en) 1999-10-29 2006-05-23 Intel Corporation Method and system for generating annotations video
US7177795B1 (en) 1999-11-10 2007-02-13 International Business Machines Corporation Methods and apparatus for semantic unit based automatic indexing and searching in data archive systems
US6754619B1 (en) * 1999-11-15 2004-06-22 Sony Corporation Digital recording and playback system with voice recognition capability for concurrent text generation
US7412643B1 (en) 1999-11-23 2008-08-12 International Business Machines Corporation Method and apparatus for linking representation and realization data
EP1169678B1 (en) * 1999-12-20 2015-01-21 Nuance Communications Austria GmbH Audio playback for text edition in a speech recognition system
US6697796B2 (en) * 2000-01-13 2004-02-24 Agere Systems Inc. Voice clip search
US6925436B1 (en) * 2000-01-28 2005-08-02 International Business Machines Corporation Indexing with translation model for feature regularization
US6513003B1 (en) 2000-02-03 2003-01-28 Fair Disclosure Financial Network, Inc. System and method for integrated delivery of media and synchronized transcription
US7263484B1 (en) 2000-03-04 2007-08-28 Georgia Tech Research Corporation Phonetic searching
US8645137B2 (en) 2000-03-16 2014-02-04 Apple Inc. Fast, language-independent method for user authentication by voice
US6260011B1 (en) * 2000-03-20 2001-07-10 Microsoft Corporation Methods and apparatus for automatically synchronizing electronic audio files with electronic text files
US6263308B1 (en) * 2000-03-20 2001-07-17 Microsoft Corporation Methods and apparatus for performing speech recognition using acoustic models which are improved through an interactive process
US7260564B1 (en) * 2000-04-07 2007-08-21 Virage, Inc. Network video guide and spidering
US7962948B1 (en) 2000-04-07 2011-06-14 Virage, Inc. Video-enabled community building
US7222163B1 (en) * 2000-04-07 2007-05-22 Virage, Inc. System and method for hosting of video content over a network
US8171509B1 (en) 2000-04-07 2012-05-01 Virage, Inc. System and method for applying a database to video multimedia
GB0011798D0 (en) 2000-05-16 2000-07-05 Canon Kk Database annotation and retrieval
US6505153B1 (en) 2000-05-22 2003-01-07 Compaq Information Technologies Group, L.P. Efficient method for producing off-line closed captions
DE60142967D1 (de) * 2000-06-09 2010-10-14 British Broadcasting Corp Erzeugung von untertiteln für bewegte bilder
GB0015233D0 (en) 2000-06-21 2000-08-16 Canon Kk Indexing method and apparatus
GB0023930D0 (en) 2000-09-29 2000-11-15 Canon Kk Database annotation and retrieval
GB0027178D0 (en) 2000-11-07 2000-12-27 Canon Kk Speech processing system
GB0028277D0 (en) 2000-11-20 2001-01-03 Canon Kk Speech processing system
US20020152076A1 (en) * 2000-11-28 2002-10-17 Jonathan Kahn System for permanent alignment of text utterances to their associated audio utterances
DE10060295A1 (de) * 2000-12-05 2002-06-27 Bosch Gmbh Robert Verfahren zum Abspeichern von akustischen Informationen und Verfahren zum Auswählen von einer nach diesem Verfahren abgespeicherten Information
DE10060587A1 (de) * 2000-12-06 2002-06-13 Philips Corp Intellectual Pty Verfahren und System zur automatischen Aktionssteuerrung bei Vorträgen
US7117231B2 (en) * 2000-12-07 2006-10-03 International Business Machines Corporation Method and system for the automatic generation of multi-lingual synchronized sub-titles for audiovisual data
US7221405B2 (en) * 2001-01-31 2007-05-22 International Business Machines Corporation Universal closed caption portable receiver
US7062442B2 (en) * 2001-02-23 2006-06-13 Popcatcher Ab Method and arrangement for search and recording of media signals
US6687671B2 (en) 2001-03-13 2004-02-03 Sony Corporation Method and apparatus for automatic collection and summarization of meeting information
US7039585B2 (en) 2001-04-10 2006-05-02 International Business Machines Corporation Method and system for searching recorded speech and retrieving relevant segments
US7076429B2 (en) * 2001-04-27 2006-07-11 International Business Machines Corporation Method and apparatus for presenting images representative of an utterance with corresponding decoded speech
US20030055640A1 (en) * 2001-05-01 2003-03-20 Ramot University Authority For Applied Research & Industrial Development Ltd. System and method for parameter estimation for pattern recognition
US6963834B2 (en) * 2001-05-29 2005-11-08 International Business Machines Corporation Method of speech recognition using empirically determined word candidates
US20030033147A1 (en) * 2001-06-08 2003-02-13 Recording For The Blind & Dyslexic Incorporated Method and apparatus for coordinating text and audio events in a digital talking book
US7225126B2 (en) * 2001-06-12 2007-05-29 At&T Corp. System and method for processing speech files
US8416925B2 (en) 2005-06-29 2013-04-09 Ultratec, Inc. Device independent text captioned telephone service
US7133829B2 (en) * 2001-10-31 2006-11-07 Dictaphone Corporation Dynamic insertion of a speech recognition engine within a distributed speech recognition system
US7146321B2 (en) * 2001-10-31 2006-12-05 Dictaphone Corporation Distributed speech recognition system
US6766294B2 (en) 2001-11-30 2004-07-20 Dictaphone Corporation Performance gauge for a distributed speech recognition system
US6785654B2 (en) 2001-11-30 2004-08-31 Dictaphone Corporation Distributed speech recognition system with speech recognition engines offering multiple functionalities
US7386217B2 (en) * 2001-12-14 2008-06-10 Hewlett-Packard Development Company, L.P. Indexing video by detecting speech and music in audio
US7266287B2 (en) * 2001-12-14 2007-09-04 Hewlett-Packard Development Company, L.P. Using background audio change detection for segmenting video
US20030128856A1 (en) * 2002-01-08 2003-07-10 Boor Steven E. Digitally programmable gain amplifier
DE10204924A1 (de) * 2002-02-07 2003-08-21 Philips Intellectual Property Verfahren und Vorrichtung zur schnellen mustererkennungsunterstützten Transkription gesprochener und schriftlicher Äußerungen
US7292975B2 (en) * 2002-05-01 2007-11-06 Nuance Communications, Inc. Systems and methods for evaluating speaker suitability for automatic speech recognition aided transcription
US7236931B2 (en) * 2002-05-01 2007-06-26 Usb Ag, Stamford Branch Systems and methods for automatic acoustic speaker adaptation in computer-assisted transcription systems
US7231351B1 (en) * 2002-05-10 2007-06-12 Nexidia, Inc. Transcript alignment
US20040004599A1 (en) * 2002-07-03 2004-01-08 Scott Shepard Systems and methods for facilitating playback of media
US20040117188A1 (en) * 2002-07-03 2004-06-17 Daniel Kiecza Speech based personal information manager
US7050975B2 (en) * 2002-07-23 2006-05-23 Microsoft Corporation Method of speech recognition using time-dependent interpolation and hidden dynamic value classes
US7454331B2 (en) * 2002-08-30 2008-11-18 Dolby Laboratories Licensing Corporation Controlling loudness of speech in signals that contain speech and other types of audio material
US7103157B2 (en) * 2002-09-17 2006-09-05 International Business Machines Corporation Audio quality when streaming audio to non-streaming telephony devices
US8055503B2 (en) * 2002-10-18 2011-11-08 Siemens Enterprise Communications, Inc. Methods and apparatus for audio data analysis and data mining using speech recognition
US8009966B2 (en) * 2002-11-01 2011-08-30 Synchro Arts Limited Methods and apparatus for use in sound replacement with automatic synchronization to images
AT6921U1 (de) * 2002-11-28 2004-05-25 Sail Labs Technology Ag Verfahren zur automatischen übereinstimmung von audio-segmenten mit textelementen
US7444285B2 (en) * 2002-12-06 2008-10-28 3M Innovative Properties Company Method and system for sequential insertion of speech recognition results to facilitate deferred transcription services
US7774694B2 (en) * 2002-12-06 2010-08-10 3M Innovation Properties Company Method and system for server-based sequential insertion processing of speech recognition results
US20050096910A1 (en) * 2002-12-06 2005-05-05 Watson Kirk L. Formed document templates and related methods and systems for automated sequential insertion of speech recognition results
US7516070B2 (en) * 2003-02-19 2009-04-07 Custom Speech Usa, Inc. Method for simultaneously creating audio-aligned final and verbatim text with the assistance of a speech recognition program as may be useful in form completion using a verbal entry method
US7336890B2 (en) * 2003-02-19 2008-02-26 Microsoft Corporation Automatic detection and segmentation of music videos in an audio/video stream
WO2004100164A1 (en) * 2003-04-18 2004-11-18 Unisay Sdn. Bhd. Voice script system
WO2004093059A1 (en) * 2003-04-18 2004-10-28 Unisay Sdn. Bhd. Phoneme extraction system
WO2004093078A1 (en) * 2003-04-18 2004-10-28 Unisay Sdn. Bhd. Process for adding subtitles to video content
US7979281B2 (en) * 2003-04-29 2011-07-12 Custom Speech Usa, Inc. Methods and systems for creating a second generation session file
CN1795490A (zh) * 2003-05-28 2006-06-28 杜比实验室特许公司 用于计算和调节音频信号的感觉响度的方法、设备和计算机程序
US20040266337A1 (en) * 2003-06-25 2004-12-30 Microsoft Corporation Method and apparatus for synchronizing lyrics
JP4113059B2 (ja) * 2003-07-28 2008-07-02 株式会社東芝 字幕信号処理装置、字幕信号処理方法及び字幕信号処理プログラム
JP4000095B2 (ja) * 2003-07-30 2007-10-31 株式会社東芝 音声認識方法、装置及びプログラム
EP1658612A1 (en) * 2003-08-18 2006-05-24 Koninklijke Philips Electronics N.V. Video abstracting
AU2004267846B2 (en) * 2003-08-22 2010-08-26 InContact Inc. System for and method of automated quality monitoring
US7346506B2 (en) * 2003-10-08 2008-03-18 Agfa Inc. System and method for synchronized text display and audio playback
US20050154987A1 (en) * 2004-01-14 2005-07-14 Isao Otsuka System and method for recording and reproducing multimedia
US7707039B2 (en) 2004-02-15 2010-04-27 Exbiblio B.V. Automatic modification of web pages
US8442331B2 (en) 2004-02-15 2013-05-14 Google Inc. Capturing text from rendered documents using supplemental information
US8799303B2 (en) 2004-02-15 2014-08-05 Google Inc. Establishing an interactive environment for rendered documents
US10635723B2 (en) 2004-02-15 2020-04-28 Google Llc Search engines and systems with handheld document data capture devices
US20060136629A1 (en) * 2004-08-18 2006-06-22 King Martin T Scanner having connected and unconnected operational behaviors
US7812860B2 (en) 2004-04-01 2010-10-12 Exbiblio B.V. Handheld device for capturing text from both a document printed on paper and a document displayed on a dynamic display device
US20060104515A1 (en) * 2004-07-19 2006-05-18 King Martin T Automatic modification of WEB pages
US8515024B2 (en) 2010-01-13 2013-08-20 Ultratec, Inc. Captioned telephone service
US7590533B2 (en) * 2004-03-10 2009-09-15 Microsoft Corporation New-word pronunciation learning using a pronunciation graph
JP3945778B2 (ja) * 2004-03-12 2007-07-18 インターナショナル・ビジネス・マシーンズ・コーポレーション 設定装置、プログラム、記録媒体、及び設定方法
US20050209849A1 (en) * 2004-03-22 2005-09-22 Sony Corporation And Sony Electronics Inc. System and method for automatically cataloguing data by utilizing speech recognition procedures
US7272562B2 (en) * 2004-03-30 2007-09-18 Sony Corporation System and method for utilizing speech recognition to efficiently perform data indexing procedures
US9116890B2 (en) 2004-04-01 2015-08-25 Google Inc. Triggering actions in response to optically or acoustically capturing keywords from a rendered document
US7990556B2 (en) 2004-12-03 2011-08-02 Google Inc. Association of a portable scanner with input/output and storage devices
US20060081714A1 (en) 2004-08-23 2006-04-20 King Martin T Portable scanning device
US9143638B2 (en) 2004-04-01 2015-09-22 Google Inc. Data capture from rendered documents using handheld device
US8081849B2 (en) 2004-12-03 2011-12-20 Google Inc. Portable scanning and memory device
US7894670B2 (en) 2004-04-01 2011-02-22 Exbiblio B.V. Triggering actions in response to optically or acoustically capturing keywords from a rendered document
US8146156B2 (en) 2004-04-01 2012-03-27 Google Inc. Archive of text captures from rendered documents
US9008447B2 (en) 2004-04-01 2015-04-14 Google Inc. Method and system for character recognition
US8713418B2 (en) 2004-04-12 2014-04-29 Google Inc. Adding value to a rendered document
US7512886B1 (en) 2004-04-15 2009-03-31 Magix Ag System and method of automatically aligning video scenes with an audio track
US8620083B2 (en) 2004-12-03 2013-12-31 Google Inc. Method and system for character recognition
US8874504B2 (en) 2004-12-03 2014-10-28 Google Inc. Processing techniques for visual capture data from a rendered document
US8489624B2 (en) 2004-05-17 2013-07-16 Google, Inc. Processing techniques for text capture from a rendered document
US20050234725A1 (en) * 2004-04-20 2005-10-20 International Business Machines Corporation Method and system for flexible usage of a graphical call flow builder
US7433820B2 (en) * 2004-05-12 2008-10-07 International Business Machines Corporation Asynchronous Hidden Markov Model method and system
US8346620B2 (en) 2004-07-19 2013-01-01 Google Inc. Automatic modification of web pages
US7356469B2 (en) * 2004-08-20 2008-04-08 International Business Machines Corporation Method and system for trimming audio files
US8199933B2 (en) 2004-10-26 2012-06-12 Dolby Laboratories Licensing Corporation Calculating and adjusting the perceived loudness and/or the perceived spectral balance of an audio signal
WO2006047600A1 (en) 2004-10-26 2006-05-04 Dolby Laboratories Licensing Corporation Calculating and adjusting the perceived loudness and/or the perceived spectral balance of an audio signal
CN1773536A (zh) * 2004-11-11 2006-05-17 国际商业机器公司 生成话音纪要的方法、设备和系统
US20060206526A1 (en) * 2005-03-10 2006-09-14 Portalvideo, Inc. Video editing method and apparatus
MX2007012575A (es) * 2005-04-18 2007-11-16 Basf Ag Preparacion que contiene por lo menos un fungicida conazolico.
US11258900B2 (en) 2005-06-29 2022-02-22 Ultratec, Inc. Device independent text captioned telephone service
US20070011012A1 (en) * 2005-07-11 2007-01-11 Steve Yurick Method, system, and apparatus for facilitating captioning of multi-media content
EP1932153A2 (en) * 2005-09-07 2008-06-18 Portalvideo, Inc. Time approximation for text location in video editing method and apparatus
US8677377B2 (en) 2005-09-08 2014-03-18 Apple Inc. Method and apparatus for building an intelligent automated assistant
US8032372B1 (en) 2005-09-13 2011-10-04 Escription, Inc. Dictation selection
JP2007133033A (ja) * 2005-11-08 2007-05-31 Nec Corp 音声テキスト化システム、音声テキスト化方法および音声テキスト化用プログラム
US20070192107A1 (en) * 2006-01-10 2007-08-16 Leonard Sitomer Self-improving approximator in media editing method and apparatus
US8036889B2 (en) * 2006-02-27 2011-10-11 Nuance Communications, Inc. Systems and methods for filtering dictated and non-dictated sections of documents
TWI517562B (zh) 2006-04-04 2016-01-11 杜比實驗室特許公司 用於將多聲道音訊信號之全面感知響度縮放一期望量的方法、裝置及電腦程式
EP2002426B1 (en) * 2006-04-04 2009-09-02 Dolby Laboratories Licensing Corporation Audio signal loudness measurement and modification in the mdct domain
RU2417514C2 (ru) 2006-04-27 2011-04-27 Долби Лэборетериз Лайсенсинг Корпорейшн Регулировка усиления звука с использованием основанного на конкретной громкости обнаружения акустических событий
US7668721B2 (en) * 2006-05-22 2010-02-23 Microsoft Corporation Indexing and strong verbal content
EP2067119A2 (en) 2006-09-08 2009-06-10 Exbiblio B.V. Optical scanners, such as hand-held optical scanners
US9318108B2 (en) 2010-01-18 2016-04-19 Apple Inc. Intelligent automated assistant
US8502876B2 (en) * 2006-09-12 2013-08-06 Storz Endoskop Producktions GmbH Audio, visual and device data capturing system with real-time speech recognition command and control system
US20080066107A1 (en) 2006-09-12 2008-03-13 Google Inc. Using Viewing Signals in Targeted Video Advertising
JP4398966B2 (ja) * 2006-09-26 2010-01-13 株式会社東芝 機械翻訳を行う装置、システム、方法およびプログラム
BRPI0717484B1 (pt) 2006-10-20 2019-05-21 Dolby Laboratories Licensing Corporation Método e aparelho para processar um sinal de áudio
US8521314B2 (en) * 2006-11-01 2013-08-27 Dolby Laboratories Licensing Corporation Hierarchical control path with constraints for audio dynamics processing
CN101188110B (zh) * 2006-11-17 2011-01-26 陈健全 提高文本和语音匹配效率的方法
US9830912B2 (en) 2006-11-30 2017-11-28 Ashwin P Rao Speak and touch auto correction interface
US20080201158A1 (en) 2007-02-15 2008-08-21 Johnson Mark D System and method for visitation management in a controlled-access environment
US8542802B2 (en) 2007-02-15 2013-09-24 Global Tel*Link Corporation System and method for three-way call detection
US7599475B2 (en) * 2007-03-12 2009-10-06 Nice Systems, Ltd. Method and apparatus for generic analytics
US8103646B2 (en) * 2007-03-13 2012-01-24 Microsoft Corporation Automatic tagging of content based on a corpus of previously tagged and untagged content
US8515757B2 (en) * 2007-03-20 2013-08-20 Nuance Communications, Inc. Indexing digitized speech with words represented in the digitized speech
US8977255B2 (en) 2007-04-03 2015-03-10 Apple Inc. Method and system for operating a multi-function portable electronic device using voice-activation
US8667532B2 (en) 2007-04-18 2014-03-04 Google Inc. Content recognition for targeting video advertisements
US20080306999A1 (en) * 2007-06-08 2008-12-11 Finger Brienne M Systems and processes for presenting informational content
US8433611B2 (en) * 2007-06-27 2013-04-30 Google Inc. Selection of advertisements for placement with content
JP5313466B2 (ja) * 2007-06-28 2013-10-09 ニュアンス コミュニケーションズ，インコーポレイテッド 音声の再生に同期して音声の内容を表示させる技術
US8396574B2 (en) * 2007-07-13 2013-03-12 Dolby Laboratories Licensing Corporation Audio processing using auditory scene analysis and spectral skewness
US9064024B2 (en) 2007-08-21 2015-06-23 Google Inc. Bundle generation
US9330720B2 (en) 2008-01-03 2016-05-03 Apple Inc. Methods and apparatus for altering audio output signals
US9824372B1 (en) 2008-02-11 2017-11-21 Google Llc Associating advertisements with videos
US8996376B2 (en) 2008-04-05 2015-03-31 Apple Inc. Intelligent text-to-speech conversion
US10496753B2 (en) 2010-01-18 2019-12-03 Apple Inc. Automatically adapting user interfaces for hands-free interaction
US20100010817A1 (en) * 2008-07-08 2010-01-14 Veeru Ramaswamy System and Method for Improving the Performance of Speech Analytics and Word-Spotting Systems
US20100030549A1 (en) 2008-07-31 2010-02-04 Lee Michael M Mobile device having human language translation capability with positional feedback
US8890869B2 (en) 2008-08-12 2014-11-18 Adobe Systems Incorporated Colorization of audio segments
US20100094627A1 (en) * 2008-10-15 2010-04-15 Concert Technology Corporation Automatic identification of tags for user generated content
US8645131B2 (en) * 2008-10-17 2014-02-04 Ashwin P. Rao Detecting segments of speech from an audio stream
US9922640B2 (en) * 2008-10-17 2018-03-20 Ashwin P Rao System and method for multimodal utterance detection
US9817829B2 (en) 2008-10-28 2017-11-14 Adobe Systems Incorporated Systems and methods for prioritizing textual metadata
US8943394B2 (en) * 2008-11-19 2015-01-27 Robert Bosch Gmbh System and method for interacting with live agents in an automated call center
US8972269B2 (en) 2008-12-01 2015-03-03 Adobe Systems Incorporated Methods and systems for interfaces allowing limited edits to transcripts
US9959870B2 (en) 2008-12-11 2018-05-01 Apple Inc. Speech recognition involving a mobile device
US10088976B2 (en) 2009-01-15 2018-10-02 Em Acquisition Corp., Inc. Systems and methods for multiple voice document narration
US8352269B2 (en) * 2009-01-15 2013-01-08 K-Nfb Reading Technology, Inc. Systems and methods for processing indicia for document narration
US8370151B2 (en) 2009-01-15 2013-02-05 K-Nfb Reading Technology, Inc. Systems and methods for multiple voice document narration
US8630726B2 (en) * 2009-02-12 2014-01-14 Value-Added Communications, Inc. System and method for detecting three-way call circumvention attempts
US9225838B2 (en) 2009-02-12 2015-12-29 Value-Added Communications, Inc. System and method for detecting three-way call circumvention attempts
WO2010096193A2 (en) 2009-02-18 2010-08-26 Exbiblio B.V. Identifying a document by performing spectral analysis on the contents of the document
US8990235B2 (en) 2009-03-12 2015-03-24 Google Inc. Automatically providing content associated with captured information, such as information captured in real-time
US8447066B2 (en) 2009-03-12 2013-05-21 Google Inc. Performing actions based on capturing information from rendered documents, such as documents under copyright
US20100299131A1 (en) * 2009-05-21 2010-11-25 Nexidia Inc. Transcript alignment
US8887190B2 (en) * 2009-05-28 2014-11-11 Harris Corporation Multimedia system generating audio trigger markers synchronized with video source data and related methods
US10706373B2 (en) 2011-06-03 2020-07-07 Apple Inc. Performing actions associated with task items that represent tasks to perform
US10241644B2 (en) 2011-06-03 2019-03-26 Apple Inc. Actionable reminder entries
US9858925B2 (en) 2009-06-05 2018-01-02 Apple Inc. Using context information to facilitate processing of commands in a virtual assistant
US10241752B2 (en) 2011-09-30 2019-03-26 Apple Inc. Interface for a virtual digital assistant
US20100332225A1 (en) * 2009-06-29 2010-12-30 Nexidia Inc. Transcript alignment
US9431006B2 (en) 2009-07-02 2016-08-30 Apple Inc. Methods and apparatuses for automatic speech recognition
CN101996631B (zh) * 2009-08-28 2014-12-03 国际商业机器公司 用于对齐文本的方法和装置
US8707381B2 (en) * 2009-09-22 2014-04-22 Caption Colorado L.L.C. Caption and/or metadata synchronization for replay of previously or simultaneously recorded live programs
US20130166303A1 (en) * 2009-11-13 2013-06-27 Adobe Systems Incorporated Accessing media data using metadata repository
US20110153330A1 (en) * 2009-11-27 2011-06-23 i-SCROLL System and method for rendering text synchronized audio
US9081799B2 (en) 2009-12-04 2015-07-14 Google Inc. Using gestalt information to identify locations in printed information
US9323784B2 (en) 2009-12-09 2016-04-26 Google Inc. Image search using text-based elements within the contents of images
US9152708B1 (en) 2009-12-14 2015-10-06 Google Inc. Target-video specific co-watched video clusters
US10553209B2 (en) 2010-01-18 2020-02-04 Apple Inc. Systems and methods for hands-free notification summaries
US10705794B2 (en) 2010-01-18 2020-07-07 Apple Inc. Automatically adapting user interfaces for hands-free interaction
US10276170B2 (en) 2010-01-18 2019-04-30 Apple Inc. Intelligent automated assistant
US10679605B2 (en) 2010-01-18 2020-06-09 Apple Inc. Hands-free list-reading by intelligent automated assistant
DE202011111062U1 (de) 2010-01-25 2019-02-19 Newvaluexchange Ltd. Vorrichtung und System für eine Digitalkonversationsmanagementplattform
US8682667B2 (en) 2010-02-25 2014-03-25 Apple Inc. User profiling for selecting user specific voice input processing information
KR20130029082A (ko) 2010-05-04 2013-03-21 샤잠 엔터테인먼트 리미티드 미디어 스트림의 샘플을 처리하는 방법 및 시스템
KR101490576B1 (ko) * 2010-05-04 2015-02-11 샤잠 엔터테인먼트 리미티드 미디어의 동기화 방법 및 시스템
US9159338B2 (en) 2010-05-04 2015-10-13 Shazam Entertainment Ltd. Systems and methods of rendering a textual animation
US8543395B2 (en) 2010-05-18 2013-09-24 Shazam Entertainment Ltd. Methods and systems for performing synchronization of audio with corresponding textual transcriptions and determining confidence values of the synchronization
US8392186B2 (en) * 2010-05-18 2013-03-05 K-Nfb Reading Technology, Inc. Audio synchronization for document narration with user-selected playback
US20110313762A1 (en) * 2010-06-20 2011-12-22 International Business Machines Corporation Speech output with confidence indication
US10762293B2 (en) 2010-12-22 2020-09-01 Apple Inc. Using parts-of-speech tagging and named entity recognition for spelling correction
US8781824B2 (en) * 2010-12-31 2014-07-15 Eldon Technology Limited Offline generation of subtitles
US11062615B1 (en) 2011-03-01 2021-07-13 Intelligibility Training LLC Methods and systems for remote language learning in a pandemic-aware world
US10019995B1 (en) 2011-03-01 2018-07-10 Alice J. Stiebel Methods and systems for language learning based on a series of pitch patterns
US9262612B2 (en) 2011-03-21 2016-02-16 Apple Inc. Device access using voice authentication
US10057736B2 (en) 2011-06-03 2018-08-21 Apple Inc. Active transport based notifications
JP5463385B2 (ja) * 2011-06-03 2014-04-09 アップル インコーポレイテッド テキストデータとオーディオデータとの間のマッピングの自動作成
US20120310642A1 (en) * 2011-06-03 2012-12-06 Apple Inc. Automatically creating a mapping between text data and audio data
US9256673B2 (en) 2011-06-10 2016-02-09 Shazam Entertainment Ltd. Methods and systems for identifying content in a data stream
GB2486038B (en) * 2011-06-28 2013-09-25 Andrew Levine Speech-to-text conversion
US8994660B2 (en) 2011-08-29 2015-03-31 Apple Inc. Text correction processing
JP5404726B2 (ja) * 2011-09-26 2014-02-05 株式会社東芝 情報処理装置、情報処理方法およびプログラム
US10134385B2 (en) 2012-03-02 2018-11-20 Apple Inc. Systems and methods for name pronunciation
US9483461B2 (en) 2012-03-06 2016-11-01 Apple Inc. Handling speech synthesis of content for multiple languages
US9412372B2 (en) * 2012-05-08 2016-08-09 SpeakWrite, LLC Method and system for audio-video integration
US9280610B2 (en) 2012-05-14 2016-03-08 Apple Inc. Crowd sourcing information to fulfill user requests
US9721563B2 (en) 2012-06-08 2017-08-01 Apple Inc. Name recognition system
US9495129B2 (en) 2012-06-29 2016-11-15 Apple Inc. Device, method, and user interface for voice-activated navigation and browsing of a document
US9576574B2 (en) 2012-09-10 2017-02-21 Apple Inc. Context-sensitive handling of interruptions by intelligent digital assistant
US9547647B2 (en) 2012-09-19 2017-01-17 Apple Inc. Voice-based media searching
US20140164507A1 (en) * 2012-12-10 2014-06-12 Rawllin International Inc. Media content portions recommended
KR20250004158A (ko) 2013-02-07 2025-01-07 애플 인크. 디지털 어시스턴트를 위한 음성 트리거
US9451048B2 (en) 2013-03-12 2016-09-20 Shazam Investments Ltd. Methods and systems for identifying information of a broadcast station and information of broadcasted content
US10652394B2 (en) 2013-03-14 2020-05-12 Apple Inc. System and method for processing voicemail
US9368114B2 (en) 2013-03-14 2016-06-14 Apple Inc. Context-sensitive handling of interruptions
WO2014144579A1 (en) 2013-03-15 2014-09-18 Apple Inc. System and method for updating an adaptive speech recognition model
US9390170B2 (en) 2013-03-15 2016-07-12 Shazam Investments Ltd. Methods and systems for arranging and searching a database of media content recordings
US9922642B2 (en) 2013-03-15 2018-03-20 Apple Inc. Training an at least partial voice command system
US9773058B2 (en) 2013-03-15 2017-09-26 Shazam Investments Ltd. Methods and systems for arranging and searching a database of media content recordings
JP6050171B2 (ja) * 2013-03-28 2016-12-21 日本電気株式会社 認識処理制御装置、認識処理制御方法および認識処理制御プログラム
IL225540A (en) * 2013-04-02 2015-09-24 Igal Nir A method, system, and software for automatically generating a speech database for speech recognition
US9582608B2 (en) 2013-06-07 2017-02-28 Apple Inc. Unified ranking with entropy-weighted information for phrase-based semantic auto-completion
WO2014197336A1 (en) 2013-06-07 2014-12-11 Apple Inc. System and method for detecting errors in interactions with a voice-based digital assistant
WO2014197334A2 (en) 2013-06-07 2014-12-11 Apple Inc. System and method for user-specified pronunciation of words for speech synthesis and recognition
WO2014197335A1 (en) 2013-06-08 2014-12-11 Apple Inc. Interpreting and acting upon commands that involve sharing information with remote devices
HK1220268A1 (zh) 2013-06-09 2017-04-28 苹果公司 用於實現跨數字助理的兩個或更多個實例的會話持續性的設備、方法、和圖形用戶界面
US10176167B2 (en) 2013-06-09 2019-01-08 Apple Inc. System and method for inferring user intent from speech inputs
JP2016521948A (ja) 2013-06-13 2016-07-25 アップル インコーポレイテッド 音声コマンドによって開始される緊急電話のためのシステム及び方法
CN103365970A (zh) * 2013-06-25 2013-10-23 广东小天才科技有限公司 自动获取学习资料信息的方法和装置
US10791216B2 (en) 2013-08-06 2020-09-29 Apple Inc. Auto-activating smart responses based on activities from remote devices
US10748523B2 (en) 2014-02-28 2020-08-18 Ultratec, Inc. Semiautomated relay method and apparatus
US12482458B2 (en) 2014-02-28 2025-11-25 Ultratec, Inc. Semiautomated relay method and apparatus
US10389876B2 (en) 2014-02-28 2019-08-20 Ultratec, Inc. Semiautomated relay method and apparatus
US20180034961A1 (en) 2014-02-28 2018-02-01 Ultratec, Inc. Semiautomated Relay Method and Apparatus
US20180270350A1 (en) 2014-02-28 2018-09-20 Ultratec, Inc. Semiautomated relay method and apparatus
US10878721B2 (en) 2014-02-28 2020-12-29 Ultratec, Inc. Semiautomated relay method and apparatus
US9620105B2 (en) 2014-05-15 2017-04-11 Apple Inc. Analyzing audio input for efficient speech and music recognition
US10776419B2 (en) 2014-05-16 2020-09-15 Gracenote Digital Ventures, Llc Audio file quality and accuracy assessment
US10592095B2 (en) 2014-05-23 2020-03-17 Apple Inc. Instantaneous speaking of content on touch devices
US9502031B2 (en) 2014-05-27 2016-11-22 Apple Inc. Method for supporting dynamic grammars in WFST-based ASR
US9734193B2 (en) 2014-05-30 2017-08-15 Apple Inc. Determining domain salience ranking from ambiguous words in natural speech
US9842101B2 (en) 2014-05-30 2017-12-12 Apple Inc. Predictive conversion of language input
US9966065B2 (en) 2014-05-30 2018-05-08 Apple Inc. Multi-command single utterance input method
US9785630B2 (en) 2014-05-30 2017-10-10 Apple Inc. Text prediction using combined word N-gram and unigram language models
US9633004B2 (en) 2014-05-30 2017-04-25 Apple Inc. Better resolution when referencing to concepts
US9715875B2 (en) 2014-05-30 2017-07-25 Apple Inc. Reducing the need for manual start/end-pointing and trigger phrases
US10078631B2 (en) 2014-05-30 2018-09-18 Apple Inc. Entropy-guided text prediction using combined word and character n-gram language models
US9430463B2 (en) 2014-05-30 2016-08-30 Apple Inc. Exemplar-based natural language processing
US9760559B2 (en) 2014-05-30 2017-09-12 Apple Inc. Predictive text input
US10170123B2 (en) 2014-05-30 2019-01-01 Apple Inc. Intelligent assistant for home automation
US10289433B2 (en) 2014-05-30 2019-05-14 Apple Inc. Domain specific language for encoding assistant dialog
US10659851B2 (en) 2014-06-30 2020-05-19 Apple Inc. Real-time digital assistant knowledge updates
US9338493B2 (en) 2014-06-30 2016-05-10 Apple Inc. Intelligent automated assistant for TV user interactions
JP5943436B2 (ja) * 2014-06-30 2016-07-05 シナノケンシ株式会社 テキストデータと読み上げ音声データとの同期処理装置および同期処理プログラム
CN104240703B (zh) * 2014-08-21 2018-03-06 广州三星通信技术研究有限公司 语音信息处理方法和装置
US10446141B2 (en) 2014-08-28 2019-10-15 Apple Inc. Automatic speech recognition based on user feedback
US9818400B2 (en) 2014-09-11 2017-11-14 Apple Inc. Method and apparatus for discovering trending terms in speech requests
US10789041B2 (en) 2014-09-12 2020-09-29 Apple Inc. Dynamic thresholds for always listening speech trigger
US10074360B2 (en) 2014-09-30 2018-09-11 Apple Inc. Providing an indication of the suitability of speech recognition
US10127911B2 (en) 2014-09-30 2018-11-13 Apple Inc. Speaker identification and unsupervised speaker adaptation techniques
US9646609B2 (en) 2014-09-30 2017-05-09 Apple Inc. Caching apparatus for serving phonetic pronunciations
US9668121B2 (en) 2014-09-30 2017-05-30 Apple Inc. Social reminders
US9886432B2 (en) 2014-09-30 2018-02-06 Apple Inc. Parsimonious handling of word inflection via categorical stem + suffix N-gram language models
US10552013B2 (en) 2014-12-02 2020-02-04 Apple Inc. Data detection
US9711141B2 (en) 2014-12-09 2017-07-18 Apple Inc. Disambiguating heteronyms in speech synthesis
KR102306538B1 (ko) 2015-01-20 2021-09-29 삼성전자주식회사 콘텐트 편집 장치 및 방법
US9865280B2 (en) 2015-03-06 2018-01-09 Apple Inc. Structured dictation using intelligent automated assistants
US9721566B2 (en) 2015-03-08 2017-08-01 Apple Inc. Competing devices responding to voice triggers
US10567477B2 (en) 2015-03-08 2020-02-18 Apple Inc. Virtual assistant continuity
US9886953B2 (en) 2015-03-08 2018-02-06 Apple Inc. Virtual assistant activation
US9899019B2 (en) 2015-03-18 2018-02-20 Apple Inc. Systems and methods for structured stem and suffix language models
US9842105B2 (en) 2015-04-16 2017-12-12 Apple Inc. Parsimonious continuous-space phrase representations for natural language processing
US10083688B2 (en) 2015-05-27 2018-09-25 Apple Inc. Device voice control for selecting a displayed affordance
US10127220B2 (en) 2015-06-04 2018-11-13 Apple Inc. Language identification from short strings
US10101822B2 (en) 2015-06-05 2018-10-16 Apple Inc. Language input correction
US11025565B2 (en) 2015-06-07 2021-06-01 Apple Inc. Personalized prediction of responses for instant messaging
US10186254B2 (en) 2015-06-07 2019-01-22 Apple Inc. Context-based endpoint detection
US10255907B2 (en) 2015-06-07 2019-04-09 Apple Inc. Automatic accent detection using acoustic models
US10332506B2 (en) * 2015-09-02 2019-06-25 Oath Inc. Computerized system and method for formatted transcription of multimedia content
US10747498B2 (en) 2015-09-08 2020-08-18 Apple Inc. Zero latency digital assistant
US10671428B2 (en) 2015-09-08 2020-06-02 Apple Inc. Distributed personal assistant
US9697820B2 (en) 2015-09-24 2017-07-04 Apple Inc. Unit-selection text-to-speech synthesis using concatenation-sensitive neural networks
US11010550B2 (en) 2015-09-29 2021-05-18 Apple Inc. Unified language modeling framework for word prediction, auto-completion and auto-correction
US10366158B2 (en) 2015-09-29 2019-07-30 Apple Inc. Efficient word encoding for recurrent neural network language models
US11587559B2 (en) 2015-09-30 2023-02-21 Apple Inc. Intelligent device identification
US10691473B2 (en) 2015-11-06 2020-06-23 Apple Inc. Intelligent automated assistant in a messaging environment
US10049668B2 (en) 2015-12-02 2018-08-14 Apple Inc. Applying neural network language models to weighted finite state transducers for automatic speech recognition
US10223066B2 (en) 2015-12-23 2019-03-05 Apple Inc. Proactive assistance based on dialog communication between devices
US10446143B2 (en) 2016-03-14 2019-10-15 Apple Inc. Identification of voice inputs providing credentials
US10572961B2 (en) 2016-03-15 2020-02-25 Global Tel*Link Corporation Detection and prevention of inmate to inmate message relay
GB2549117B (en) * 2016-04-05 2021-01-06 Intelligent Voice Ltd A searchable media player
US9609121B1 (en) 2016-04-07 2017-03-28 Global Tel*Link Corporation System and method for third party monitoring of voice and video calls
US9934775B2 (en) 2016-05-26 2018-04-03 Apple Inc. Unit-selection text-to-speech synthesis based on predicted concatenation parameters
US9972304B2 (en) 2016-06-03 2018-05-15 Apple Inc. Privacy preserving distributed evaluation framework for embedded personalized systems
US10249300B2 (en) 2016-06-06 2019-04-02 Apple Inc. Intelligent list reading
US10049663B2 (en) 2016-06-08 2018-08-14 Apple, Inc. Intelligent automated assistant for media exploration
DK179309B1 (en) 2016-06-09 2018-04-23 Apple Inc Intelligent automated assistant in a home environment
US10192552B2 (en) 2016-06-10 2019-01-29 Apple Inc. Digital assistant providing whispered speech
US10509862B2 (en) 2016-06-10 2019-12-17 Apple Inc. Dynamic phrase expansion of language input
US10067938B2 (en) 2016-06-10 2018-09-04 Apple Inc. Multilingual word prediction
US10586535B2 (en) 2016-06-10 2020-03-10 Apple Inc. Intelligent digital assistant in a multi-tasking environment
US10490187B2 (en) 2016-06-10 2019-11-26 Apple Inc. Digital assistant providing automated status report
DK179415B1 (en) 2016-06-11 2018-06-14 Apple Inc Intelligent device arbitration and control
DK179343B1 (en) 2016-06-11 2018-05-14 Apple Inc Intelligent task discovery
DK201670540A1 (en) 2016-06-11 2018-01-08 Apple Inc Application integration with a digital assistant
DK179049B1 (en) 2016-06-11 2017-09-18 Apple Inc Data driven natural language event detection and classification
US10854190B1 (en) 2016-06-13 2020-12-01 United Services Automobile Association (Usaa) Transcription analysis platform
US10445052B2 (en) * 2016-10-04 2019-10-15 Descript, Inc. Platform for producing and delivering media content
US10713497B2 (en) 2016-10-28 2020-07-14 Axon Enterprise, Inc. Systems and methods for supplementing captured data
US20180130484A1 (en) 2016-11-07 2018-05-10 Axon Enterprise, Inc. Systems and methods for interrelating text transcript information with video and/or audio information
WO2018118244A2 (en) * 2016-11-07 2018-06-28 Unnanu LLC Selecting media using weighted key words based on facial recognition
US11354510B2 (en) 2016-12-01 2022-06-07 Spotify Ab System and method for semantic analysis of song lyrics in a media content environment
US10360260B2 (en) * 2016-12-01 2019-07-23 Spotify Ab System and method for semantic analysis of song lyrics in a media content environment
US10564817B2 (en) 2016-12-15 2020-02-18 Descript, Inc. Techniques for creating and presenting media content
US10593346B2 (en) 2016-12-22 2020-03-17 Apple Inc. Rank-reduced token representation for automatic speech recognition
US10027797B1 (en) 2017-05-10 2018-07-17 Global Tel*Link Corporation Alarm control for inmate call monitoring
DK179745B1 (en) 2017-05-12 2019-05-01 Apple Inc. SYNCHRONIZATION AND TASK DELEGATION OF A DIGITAL ASSISTANT
DK201770431A1 (en) 2017-05-15 2018-12-20 Apple Inc. Optimizing dialogue policy decisions for digital assistants using implicit feedback
US10225396B2 (en) 2017-05-18 2019-03-05 Global Tel*Link Corporation Third party monitoring of a activity within a monitoring platform
US10845956B2 (en) 2017-05-31 2020-11-24 Snap Inc. Methods and systems for voice driven dynamic menus
US10860786B2 (en) 2017-06-01 2020-12-08 Global Tel*Link Corporation System and method for analyzing and investigating communication data from a controlled environment
US9930088B1 (en) 2017-06-22 2018-03-27 Global Tel*Link Corporation Utilizing VoIP codec negotiation during a controlled environment call
US10583923B2 (en) 2017-08-07 2020-03-10 Honeywell International Inc. Control station audio and data recording systems for vehicles
US10650803B2 (en) 2017-10-10 2020-05-12 International Business Machines Corporation Mapping between speech signal and transcript
US10347238B2 (en) * 2017-10-27 2019-07-09 Adobe Inc. Text-based insertion and replacement in audio narration
US10770063B2 (en) 2018-04-13 2020-09-08 Adobe Inc. Real-time speaker-dependent neural vocoder
US10380997B1 (en) 2018-07-27 2019-08-13 Deepgram, Inc. Deep learning internal state index-based search and classification
US11170761B2 (en) 2018-12-04 2021-11-09 Sorenson Ip Holdings, Llc Training of speech recognition systems
US11017778B1 (en) 2018-12-04 2021-05-25 Sorenson Ip Holdings, Llc Switching between speech recognition systems
US10573312B1 (en) * 2018-12-04 2020-02-25 Sorenson Ip Holdings, Llc Transcription generation from multiple speech recognition systems
US10388272B1 (en) 2018-12-04 2019-08-20 Sorenson Ip Holdings, Llc Training speech recognition systems using word sequences
CN109658938B (zh) * 2018-12-07 2020-03-17 百度在线网络技术（北京）有限公司 语音与文本匹配的方法、装置、设备及计算机可读介质
US11138970B1 (en) * 2019-12-06 2021-10-05 Asapp, Inc. System, method, and computer program for creating a complete transcription of an audio recording from separately transcribed redacted and unredacted words
US11539900B2 (en) 2020-02-21 2022-12-27 Ultratec, Inc. Caption modification and augmentation systems and methods for use by hearing assisted user
US11270061B2 (en) * 2020-02-25 2022-03-08 International Business Machines Corporation Automatic generation of training data for scientific paper summarization using videos
US11488604B2 (en) 2020-08-19 2022-11-01 Sorenson Ip Holdings, Llc Transcription of audio
US20220059077A1 (en) 2020-08-19 2022-02-24 Sorenson Ip Holdings, Llc Training speech recognition systems using word sequences
CN112102847B (zh) * 2020-09-09 2022-08-09 四川大学 一种音频和幻灯片内容对齐方法
US20220199071A1 (en) * 2020-12-23 2022-06-23 Ello Technology, Inc. Systems and Methods for Speech Validation
US11521639B1 (en) 2021-04-02 2022-12-06 Asapp, Inc. Speech sentiment analysis using a speech sentiment classifier pretrained with pseudo sentiment labels
CN113380238A (zh) * 2021-06-09 2021-09-10 阿波罗智联(北京)科技有限公司 处理音频信号的方法、模型训练方法、装置、设备和介质
CN114627874A (zh) * 2021-06-15 2022-06-14 宿迁硅基智能科技有限公司 文本对齐方法、存储介质、电子装置
US11763803B1 (en) 2021-07-28 2023-09-19 Asapp, Inc. System, method, and computer program for extracting utterances corresponding to a user problem statement in a conversation between a human agent and a user
CN113761865A (zh) * 2021-08-30 2021-12-07 北京字跳网络技术有限公司 声文重对齐及信息呈现方法、装置、电子设备和存储介质
US11537781B1 (en) * 2021-09-15 2022-12-27 Lumos Information Services, LLC System and method to support synchronization, closed captioning and highlight within a text document or a media file
US12256120B2 (en) * 2021-09-28 2025-03-18 International Business Machines Corporation Closed caption content generation
CN114171065A (zh) * 2021-11-29 2022-03-11 重庆长安汽车股份有限公司 音频采集和对比方法、系统及车辆
US12518096B2 (en) * 2022-01-24 2026-01-06 Netflix, Inc. Techniques for automatically matching recorded speech to script dialogue
US12067363B1 (en) 2022-02-24 2024-08-20 Asapp, Inc. System, method, and computer program for text sanitization
US12411888B2 (en) 2023-08-30 2025-09-09 Dell Products L.P. System and method for managing user accessibility based on data in a data management system
US12282489B2 (en) 2023-08-30 2025-04-22 Dell Products L.P. System and method for enrichment of stored data
US12332857B2 (en) 2023-08-30 2025-06-17 Dell Products L.P. Automated garbage collection based on contextual analysis driven by NLP audio
US12488043B2 (en) 2023-08-30 2025-12-02 Dell Products L.P. System and method for managing storage of data in a set of storage tiers
US12216707B1 (en) 2023-08-30 2025-02-04 Dell Products L.P. System and method for managing storage space in a data management system
US12524560B2 (en) 2023-08-30 2026-01-13 Dell Products L.P. Multifactor authentication based on user experiences
US12481781B2 (en) 2023-08-30 2025-11-25 Dell Products L.P. System and method for managing access to data stored in a data management system
CN118214907B (zh) * 2024-03-06 2025-06-03 深圳市超时代软件有限公司 一种基于人工智能的文本至视频转换系统及其控制方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5649060A (en) 1993-10-18 1997-07-15 International Business Machines Corporation Automatic indexing and aligning of audio and text using speech recognition

Family Cites Families (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4689022A (en) * 1984-04-30 1987-08-25 John Peers System for control of a video storage means by a programmed processor
JPS6184174A (ja) * 1984-10-01 1986-04-28 Sharp Corp ビデオデイスク再生装置
US4695975A (en) * 1984-10-23 1987-09-22 Profit Technology, Inc. Multi-image communications system
US4783803A (en) * 1985-11-12 1988-11-08 Dragon Systems, Inc. Speech recognition apparatus and method
US4682957A (en) * 1986-02-24 1987-07-28 Young Gordon W Teleconferencing and teaching method and apparatus
US4884972A (en) * 1986-11-26 1989-12-05 Bright Star Technology, Inc. Speech synchronized animation
US4847698A (en) * 1987-07-16 1989-07-11 Actv, Inc. Interactive television system for providing full motion synched compatible audio/visual displays
US5146405A (en) * 1988-02-05 1992-09-08 At&T Bell Laboratories Methods for part-of-speech determination and usage
US4984274A (en) * 1988-07-07 1991-01-08 Casio Computer Co., Ltd. Speech recognition apparatus with means for preventing errors due to delay in speech recognition
US5027406A (en) * 1988-12-06 1991-06-25 Dragon Systems, Inc. Method for interactive speech recognition and training
US5010495A (en) * 1989-02-02 1991-04-23 American Language Academy Interactive language learning system
US5119474A (en) * 1989-06-16 1992-06-02 International Business Machines Corp. Computer-based, audio/visual creation and presentation system and method
US5111409A (en) * 1989-07-21 1992-05-05 Elon Gasper Authoring and use systems for sound synchronized animation
SE466331B (sv) * 1990-01-04 1992-02-03 Svenska Lantmaennens Saett att korrigera och optimera naeringssammansaettningen i foeda
US5145375A (en) * 1990-02-20 1992-09-08 Rubio Rafael R Moving message learning system and method
US5136655A (en) * 1990-03-26 1992-08-04 Hewlett-Pacard Company Method and apparatus for indexing and retrieving audio-video data
US5172281A (en) * 1990-12-17 1992-12-15 Ardis Patrick M Video transcript retriever
US5149104A (en) * 1991-02-06 1992-09-22 Elissa Edelstein Video game having audio player interation with real time video synchronization
EP0507743A3 (en) * 1991-04-04 1993-01-13 Stenograph Corporation Information storage and retrieval systems
US5272571A (en) * 1991-08-13 1993-12-21 L. R. Linn And Associates Stenotype machine with linked audio recording
US5199077A (en) * 1991-09-19 1993-03-30 Xerox Corporation Wordspotting for voice editing and indexing
US5333275A (en) * 1992-06-23 1994-07-26 Wheatley Barbara J System and method for time aligning speech

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5649060A (en) 1993-10-18 1997-07-15 International Business Machines Corporation Automatic indexing and aligning of audio and text using speech recognition

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Ｃｏｍｐｕｔａｔｉｏｎａｌ Ｌｉｎｇｕｉｓｔｉｃｓ，Ｖｏｌ．１９，Ｎｏ．１，"Ａ Ｐｒｏｇｒａｍ ｆｏｒ Ａｌｉｇｎｉｎｇ Ｓｅｎｔｅｎｃｅｓ ｉｎ Ｂｉｌｉｎｇｕａｌ Ｃｏｒｐｏｒａ"，ｐ．７５−１０２
ＩＢＭ Ｔｅｃｈｎｉｃａｌ Ｄｉｓｃｌｏｓｕｒｅ Ｂｕｌｌｅｔｉｎ，Ｖｏｌ．３３，Ｎｏ．１０Ａ，Ｍａｒｃｈ １９９１，"Ｃｏｒｒｅｌａｔｉｎｇ Ａｕｄｉｏ ａｎｄ Ｍｏｖｉｎｇ−Ｉｍａｇｅ Ｔｒａｃｋｓ"，ｐ．２９５−２９６
Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ １９８４ ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｃｏｕｓｔｉｃｓ，Ｓｐｅｅｃｈ，ａｎｄ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ，Ｖｏｌ．１，"Ａ Ｐｒｏｃｅｄｕｒｅ ｆｏｒ Ａｕｔｏｍａｔｉｃ Ａｌｉｇｎｍｅｎｔ ｏｆ Ｐｈｏｎｅｔｉｃ Ｔｒａｎｓｃｒｉｐｔｉｏｎ ｗｉｔｈ Ｃｏｎｔｉｎｕｏｕｓ Ｓｐｅｅｃｈ"，ｐ．２．７．１−２．７．４
Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ １９８８ ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｃｏｕｓｔｉｃｓ，Ｓｐｅｅｃｈ，ａｎｄ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ，Ｖｏｌ．１，"Ｓ１３．１１ Ａｕｔｏｍａｔｉｃ Ａｌｉｇｎｍｅｎｔ ｏｆ Ｓｐｅｅｃｈ ｗｉｔｈ Ｐｈｏｎｅｔｉｃ Ｔｒａｎｓｃｒｉｐｔｉｏｎｓ ｉｎ Ｒｅａｌ Ｔｉｍｅ"，ｐ．６１１−６１４
Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ Ｃｏｎｆｅｒｅｎｃｅ，２９ｔｈ Ａｎｎｕａｌ Ｍｅｅｔｉｎｇ ｏｆ ｔｈｅ Ａｓｓｏｃｉａｔｉｏｎ ｆｏｒ Ｃｏｍｐｕｔａｔｉｏｎａｌ Ｌｉｎｇｕｉｓｔｉｃｓ，１９９１，"Ａｌｉｇｎｉｎｇ Ｓｅｎｔｅｎｃｅｓ ｉｎ Ｐａｒａｌｌｅｌ Ｃｏｒｐｏｒａ"，ｐ．１６９−１７６
Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＩＡＳＴＥＤ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｓｙｍｐｏｓｉｕｍ，Ｒｏｂｏｔｉｃｓ ａｎｄ Ａｕｔｏｍａｔｉｏｎ，１９８５，"Ａｕｔｏｍａｔｉｏｎ Ａｌｉｇｎｍｅｎｔ ｏｆ Ｐｈｏｎｅｔｉｃ Ｔｒａｎｓｃｒｉｐｔｉｏｎ ｗｉｔｈ Ｃｏｕｎｔｉｎｕｏｕｓ Ｓｐｅｅｃｈ"，ｐ．２４−２７

Also Published As

Publication number Publication date
JPH07199379A (ja) 1995-08-04
EP0649144A1 (en) 1995-04-19
US5649060A (en) 1997-07-15
DE69422466D1 (de) 2000-02-10
EP0649144B1 (en) 2000-01-05
DE69422466T2 (de) 2000-07-06

Similar Documents

Publication Publication Date Title
JP2986345B2 (ja) 音声記録指標化装置及び方法
US6172675B1 (en) Indirect manipulation of data using temporally related data, with particular application to manipulation of audio or audiovisual data
US6434520B1 (en) System and method for indexing and querying audio archives
EP1050048B1 (en) Apparatus and method using speech recognition and scripts to capture, author and playback synchronized audio and video
US6490553B2 (en) Apparatus and method for controlling rate of playback of audio data
Makhoul et al. Speech and language technologies for audio indexing and retrieval
Brown et al. Open-vocabulary speech indexing for voice and video mail retrieval
Furui et al. Speech-to-text and speech-to-speech summarization of spontaneous speech
US5606643A (en) Real-time audio recording system for automatic speaker indexing
Hansen et al. Speechfind: Advances in spoken document retrieval for a national gallery of the spoken word
WO1998025216A9 (en) Indirect manipulation of data using temporally related data, with particular application to manipulation of audio or audiovisual data
JPH11191000A (ja) テキストを音声信号と整列する方法
Huijbregts Segmentation, diarization and speech transcription: surprise data unraveled
CN115206324B (zh) 语音识别方法及设备、计算机可读存储介质
JP2003518266A (ja) 音声認識システムのテキスト編集用音声再生
CN112397053B (zh) 语音识别方法、装置、电子设备及可读存储介质
Steinbiss et al. The Philips research system for large-vocabulary continuous-speech recognition.
JP3437617B2 (ja) 時系列データ記録再生装置
EP0899737A2 (en) Script recognition using speech recognition
Wilcox et al. Annotation and segmentation for multimedia indexing and retrieval
JP2004302175A (ja) 音声認識システム、音声認識方法及び音声認識プログラム
JP3727436B2 (ja) 音声原稿最適照合装置および方法
Ramabhadran et al. Impact of audio segmentation and segment clustering on automated transcription accuracy of large spoken archives.
Rigoll The ALERT system: Advanced broadcast speech recognition technology for selective dissemination of multimedia information
Hori A study on statistical methods for automatic speech summarization

Legal Events

Date Code Title Description
LAPS Cancellation because of no payment of annual fees