Überblick

Es existieren mittlerweile viele verschiedene Spracherkennungssysteme. Diese basieren auf verschiedenen Verfahren, wie Neuronalen Netzen [5], oder auf Abstandsfunktionen. In den letzten Jahren hat sich der statistische Ansatz [18,27] auf dem Gebiet der Spracherkennung bewährt. Insbesondere in Verbindung mit Hidden-Markov-Modellen [43] wurden damit entscheidende Fortschritte erzielt.

Einige Ursachen und Aspekte für Probleme bei der Spracherkennung sind:

• isolierte / kontinuierliche Sprache
  Bei isolierter Sprechweise sind die Grenzen zwischen den Wörtern recht einfach durch eine sehr geringe Intensität des Signals erkennbar. Bei kontinuierlicher Sprechweise verschwimmen diese Grenzen. Dadurch wird die Erkennung einer Wortfolge schwieriger.
• sprecherabhängige / sprecherunabhängige Erkennung
  Eine sprecherabhängige Erkennung einer Wortfolge ist mit weniger Aufwand durchzuführen als eine sprecherunabhängige Erkennung. Bei der sprecherunabhängigen Erkennung werden viel mehr Sprachdaten in der Trainingsphase benötigt, damit auch Äußerungen unbekannter Sprecher erkannt werden können.
• kleines Vokabular / großes Vokabular
  Mit steigender Vokabulargröße erhöht sich auch die Modellkomplexität. Da die Zahl der zu erkennenden Wortmöglichkeiten steigt, wird die Fehlerwahrscheinlichkeit größer. Außerdem werden bei einem kleinen Vokabular nicht so viele Systemressourcen benötigt. Die zum Vergleich im System abgespeicherten Wörter können z.B. jeweils einzeln als ganzes Wort abgespeichert sein. Bei einem größeren Vokabular führt dies zu einem sehr hohen, meist nicht mehr handhabbaren, Speicherbedarf. Es müssen also andere Möglichkeiten mit geringerem Ressourcenbedarf gefunden werden.
• akustischer Kanal (Übertragung)
  Es ist zu beachten, in welcher Qualität das eigentliche Sprachsignal bereitgestellt wird. Ein Kriterium dabei ist zum Beispiel die Abtastrate: Telefonqualität (8000Hz) gegenüber CD-Qualität (44100Hz). Auch Hintergrundgeräusche wie zum Beispiel Türenschlagen und andere Geräuschquellen haben einen Einfluß auf die Erkennung.
• Koartikulation
  Die beim Sprechen artikulierten Laute stehen in einem Kontextzusammenhang zu den vorangestellten bzw. nachfolgenden Lauten.
• unterschiedliche Sprechgeschwindigkeiten
  Natürlichsprachliche Lautäußerungen unterliegen stetigen Schwankungen in der Sprechgeschwindigkeit gegenüber anderen Äußerungen. Dies bedeutet, daß nicht nur verschiedene Personen die gleichen Lautäußerungen unterschiedlich schnell artikulieren, sondern es ergeben sich bereits Variationen bei gleichen Lauten für denselben Sprecher. Da die Zeitanpassung des Sprachsignals nicht linear ist (vergleiche beliebig dehnbare Vokale), können sich hier Verzerrungen in den Bewertungen ergeben.

Grundlage der statistischen Spracherkennung ist die Bayessche Entscheidungsregel [11]:

$$\begin{eqnarray*} R(x^{T}_{1})=\begin{array}{c} argmax\\ w_{1}...w_{N} \end{array} & \{P(w^{N}_{1}\vert x^{T}_{1})\} & . \end{eqnarray*}$$

Hierbei beschreibt eine Wahrscheinlichkeitsverteilung. Gesucht ist die wahrscheinlichste Wortkette mit Elementen zu einem gegebenen akustischen Signal. Sind die im folgenden beschriebenen Verteilungen vollständig bekannt, so besagt die Bayessche Entscheidungsregel, daß die Fehlerrate im statistischen Mittel genau dann minimal wird, wenn zu den gegebenen akustischen Vektoren diejenige Wortfolge gewählt wird, deren Posterior-Wahrscheinlichkeit maximal ist. Die akustische Vektorfolge wird durch Signalanalyse aus dem akustischen Signal ermittelt.

Durch die Bayesschen Formeln läßt sich umformen zu:

Es kann nun gefolgert werden:

$$R(x^{T}_{1})=\begin{array}{c} argmax\\ w_{1}...w_{N} \end{array}\{P(x^{T}_{1}\vert w^{N}_{1})\cdot P(w^{N}_{1})\},$$

da die Wahrscheinlichkeit nicht von abhängt.

Abb. 2.1: Grundaufbau eines statistischen Spracherkennungssystems

Durch diese Umformungen wird die Aufgabe in zwei unabhängige Wissensquellen aufgespalten - das akustische und das linguistische bzw. Sprach-Modell (vergleiche Abbildung 2.1):

• die klassenbedingte Verteilung
  Dies ist die Wahrscheinlichkeit, die Vektoren zu beobachten, gegeben die Wortfolge . Dies wird als akustisches Modell bezeichnet.
• die a-priori-Wahrscheinlichkeit einer Wortfolge .
  Dies ist die Wahrscheinlichkeit, mit der die Wortfolge auftreten kann. Sie ist unabhängig von den aktuell gemachten Beobachtungen. Dies wird linguistisches Modell bzw. Sprachmodell (LM) genannt.

Die in der Bayesschen Entscheidungsregel als bekannt angenommene Verteilung ist in der Realität nicht bekannt. Daher muß sie geschätzt werden. Dies erfolgt im Rahmen eines Trainings. Die Wahl der Verteilung ist für die Güte eines Erkenners von entscheidender Bedeutung. Je nach angenommenem Verteilungsmodell kann die Anzahl der freien Parameter von einigen wenigen über mehrere tausend bis hin zu hundertausenden sein. Das Training ist somit eine sehr komplexe Optimierungsaufgabe. Übliche Verfahren zur Bestimmung dieser Verteilungen sind die Maximum Likelihood-Methode [55,53] oder diskriminative Lernverfahren [35].

Neben dem statistischen Ansatz existieren noch andere Verfahren zur Spracherkennung. Dies sind zum Beispiel Neuronale Netzwerke oder das Nearest Neighbour-Verfahren, welches nur auf der geometrischen Klassifikation arbeitet. Diese seien hier aber nur der Vollständigkeit halber erwähnt [42,47].

Im folgenden wird der Erkennungsvorgang ausführlicher betrachtet.