Sprachliche Mensch-Maschine-Kommunikation

152 10. Erkennung statischer Sprachsignale
Jeder, der schon mal Walkie-Talkies oder CB-Funk Geräte benutzt hat, hat
den ein oder anderen Fall erlebt, daß der Sprecher den Sendeknopf mitten
in der ersten gesprochenen Silbe betätigt und mitten oder kurz vor der
letzten Silbe schon wieder losläßt, so daß der Anfang und das Ende des
Gesprochenen abgeschnitten werden.
Aus Erfahrung mit Vorführungen von Spracherkennungssystemen wissen
wir außerdem, daß unerfahrene Benutzer sich unsicher sind über die korrekte
Bedienung eines Aufnahmeknopfes. Das fängt an mit der Frage, ob der
Knopf nur einmal kurz gedrückt werden soll oder ob er während der
gesamten Aufnahme gedrückt bleiben soll, und reicht bis zu Personen, die
den Knopf für jedes Wort, das sie sprechen, einzeln kurz antippen. Bei
solchen Problemen hilft auch möglicherweise vorhandenes Feedback in Form
eines akustischen Start-/Stoppsignals oder eines visuellen hervorgehobenen
Ohres nicht viel.
Teilweise ist es problematisch, auf Aufnahmegrenzen zu verzichten und
den Erkenner ununterbrochen laufen zu lassen. Dies ist deshalb nicht immer
angebracht, weil die durchschnittliche Erkennung dann höchstens in Echtzeit
oder noch schneller ablaufen müßte. Nicht jede Erkennungsaufgabe kann so
schnell mit ausreichender Erkennungsgenauigkeit ablaufen. Außerdem stellt
es eine große Ressourcenverschwendung dar, wenn ganze Computer ständig
damit beschäftigt sind, Sprache zu erkennen, obwohl nur einen Bruchteil der
Zeit wirklich Sprache vorliegt.
Wünschenswert wäre es, wenn auf das Bestimmen der Aufnahmegrenzen
durch den Benutzer ganz verzichtet werden könnte. Das Sprachverarbeitungssystem
sollte selbständig erkennen, wann die aufgezeichnete Wellenform
Sprache darstellt und wann nicht. Die naheliegendste Vorgehensweise ist
ein einfacher Schwellwertdetektor, der immer dann, wenn die Energie des
Signals über einem Schwellwert liegt, diesen Bereich der Aufnahme dem
Spracherkenner zur Erkennung gibt. Dabei wird die Energie des Signals
über einen bestimmten Zeitraum gemessen (typischerweise 10 bis 100 Millisekunden).
Diese Meßwerte bilden eine zeitliche Folge. Um zu vermeiden,
daß der Sprachdetektor anspringt, wenn nur eine kurzzeitige Überschreitung
des Schwellwertes – z.B. durch Störgeräusche – verzeichnet wird, kann die
Entscheidung ” Sprache liegt vor“ auch erst dann getroffen werden, wenn
eine ausreichend große Zahl an aufeinanderfolgenden Meßwerten über dem
Schwellwert liegt. Entsprechend wird das kurzzeitige Unterbrechen der Sprache
durch kurze Niedrigenergiephasen verhindert, indem das System erlaubt,
daß einige wenige Meßwerte unterhalb des Schwellwertes akzeptiert werden,
ohne daß die Hochenergiephase als beendet angesehen wird. Solche kurzen
Unterbrechungen könnten zwar auch durch Störungen im Aufnahmeapparat
verursacht werden, viel eher aber kommen sie von den Pausen beim Spre-