Sprachliche Mensch-Maschine-Kommunikation

156 10. Erkennung statischer Sprachsignale
Eine der sinnvollsten Arten, einen Sprachdetektor unter Verwendung
mehrer Eigenschaften des Signals zu machen, ist ein multivariater Gauß-
Klassifikator. Im n-dimensionalen Merkmalsraum wird je Klasse (Stille vs.
Sprache) eine Normalverteilung geschätzt. Wenn genügend Aufnahmedaten
vorliegen, kann man auch mehrere Normalverteilungen zu einem Codebuch
je Klasse schätzen. Solche Gaußklassifikatoren, zusätzlich versehen mit einer
” dynamischen Entscheidungsglättung“ ähnlich wie beim Zustandsautomaten
funktionieren, in der Regel höchst zufriedenstellend.
10.2 Das Vokaldreieck
In Abb. 4.8 ist die Bedeutung des Begriffes Formanten skizziert. Ende
der Achtziger wurden Versuche unternommen, aus dem Sprachsignal die
Formanten zu extrahieren [?] [?]. Dabei wurden verschiedene amerikanische
Vokale gesprochen. Die erste und zweite Formante, F1 und F2 wurden gemessen
und zur Charakterisierung der Aufnahmen verwendet. Beim Auftragen
der Meßpunkte in ein Koordinatensystem nahmen die Koordinatenpaare
in etwa den Bereich eines Dreiecks ein (s. Abb. 10.3). Daher entstand der
Name ” Vokaldreieck“.
Bei den Klassifikationsexperimenten von [?] wurden ein einfaches dreischichtiges
Perzeptron verwendet, das zur Klassifikation die in Abb. 10.3
eingezeichneten Trennlinien fand.
In der Praxis stellt sich jedoch die Formantenanalyse für die Erkennung
kontinuierlicher Sprache als ungeeignet heraus, hauptsächlich deshalb, weil
es meistens sehr schwierig bis unmöglich ist, die Formanten zu extrahieren.
10.3 Vergleich von Spektrogrammen
Ist ein Stück Audioaufzeichnung erst einmal als Sprache identifiziert, muß
es nun klassifiziert werden. Die Standardmethode der Einzelworterkennung
wie sie auch heute in einfachen Erkennern (z.B. Einzelkommandoerkenner
in Mobiltelefonen, Fernbedienungen oder PDAs) verwendet wird, ist der
Vergleich des aufgezeichneten Musters mit allen in Frage kommenden
Mustern aus einem zuvor gelernten und abgespeicherten Katalog von
Referenzmustern. Jedem zu erkennenden Kommando wird eine oder mehrere
Referenzen zugeordnet.
Ein direkter Vergleich der Wellenformen hätte keine Chance, sinnvolle
Erkennungsergebnisse zu liefern. Selbst die mit allergrößter Sorgfalt