Jürgen Dick - Lehrstuhl Algorithmen & Datenstrukturen, Institut für ...

1.1. EINLEITUNG 13
1.1.2 Arbeiten mit ähnlichem Thema
Zur Suche in Sprachdateien gibt es eine Reihe von Forschungsansätzen mit sehr unterschiedlichen
Zielen:
Suche nach bestimmten Wörtern in Audio-Dokumenten.
Soll in einer Sprachdatei nach einem vorgegebenem Wort gesucht werden, so gibt es
im wesentlichen zwei verschiedene Ansätze, um dieses Ziel zu erreichen. Mit Hilfe von
sogenannten (LV)ASR-Systemen (Large Vocabulary Automatic Speech Recognition)
werden Text-Transkriptionen des Gesprochenen erstellt. Der resultierende Text kann
anschließend mit den bekannten Suchverfahren von Knuth-Morris-Pratt,
Boyer-Moore oder mit Hilfe von Suffix-Bäumen nach den gewünschten Informationen
durchsucht werden. Fast alle ASR-Systeme basieren auf Hidden-Markov-Modellen
(HMM), die statistische Darstellungen von Sprachereignissen sind. Die Modell-Parameter
werden im allgemeinen mit einer sehr großen Datenbasis von Sprachdaten trainiert. Zu den
trainierten HMMs existieren effiziente Algorithmen, um die wahrscheinlichste Modell-
Sequenz (das erkannte Wort) zu finden. Der größte Nachteil von ASR-Systemen ist die
begrenzte Genauigkeit. Mittlerweile gibt es zwar Systeme, deren Genauigkeit bis
¡£¢£¤
über
reicht, allerdings erreichen diese Spracherkennungssysteme diese Präzision nur bei
sehr hoher Aufnahmequalität und eng umrissenen Domänen. Es wurde jedoch gezeigt,
daß Text-Transkriptionen sehr hilfreich für die Informationssuche sein können, auch wenn
Erkennungsraten von nur ¥
¢ –¦
¢§¤
erreicht werden [14].
Eine Alternative zu LVASR stellt das sogenannte Word Spotting dar. Darunter versteht
man die automatische Detektion von einzelnen Wörtern oder Sätzen in beliebigen
Domänen. Dieses Verfahren verwendet wie die meisten ASR-Systeme Hidden-Markov-
Modelle. Für die Suche wird aber nicht der Umweg über eine Text-Transkription gewählt.
Klassifikation beziehungsweise Segmentierung bezüglich der Art des Audio-Materials, beispielsweise
in Stille, Sprache, Musik und sonstige Geräusche.
Zu diesem Thema existiert eine Vielzahl von Teilgebieten. Hierzu gehören unter
anderem Sprecheridentifikation [19], Szenenklassifikation für das Video-Indexing [21][25]
[33] und Szenenklassifikation von Audio-Dateien im allgemeinen [13][39][40][41]. In der
Regel basieren die Verfahren auf der Extraktion von Audio-Features wie beispielsweise
Energie, Nulldurchgangsrate, und Fundamentalfrequenz. Anhand dieser Eigenschaften
werden statistische Modelle erstellt, die anschließend zur Klassifikation herangezogen
werden.
Story Segmentation / Topic Detection / Topic Tracking.
Unter Topic Detection & Tracking (TDT) versteht man die Erkennung des Auftretens
neuer Topics und das Weiterverfolgen dieser Topics. Ein Topic ist dabei definiert als ein
Ereignis oder eine Aktivität zusammen mit allen direkt verwandten Ereignissen und Aktivitäten.
Diese Disziplin ist noch sehr jung und wird von DARPA (Defense Advanced Research
Projects Agency), NSF (National Science Foundation) und NIST (National Institute