Sprachliche Mensch-Maschine-Kommunikation

11.3 Spracherkennung mittels Dynamic Time Warping 171
Nehmen Sie zwei verschiedene Wörter auf, und speichern sie das eine als
Signal 1 und das andere als Signal 2. Damit ist die Datenbasis dieses
minimalistischen Erkenners komplett.
Nehmen Sie nun ein weiteres Wort auf (praktischerweise sprechen Sie eines
der schon gespeicherten Wörter noch einmal) und speichern dieses als
Testmuster ab.
Wenn Sie nun die DTW-Algorithmen auf beiden Signalen rechnen lassen,
dann können Sie die beiden akkumulierten Distanzen vergleichen und das
Wort mit der kleineren Distanz als erkannt betrachten.
Versuchen Sie einen Eindruck davon zu gewinnen, wie gut/schlecht die
Erkennung funktioniert in Abhängigkeit davon, wie ähnlich sich die Wörter
sind.
Mit den Schaltflächen ” Bakis“, ” Itakura“ und ” Symmetrisch“ können Sie
das Übergangsmuster wählen, das der DTW-Algorithmus verwenden soll.
11.3.1 Einschränkungen des Suchraums
Wenn man Muster von mehreren Sekunden Länge mit dem DTW-
Algorithmus vergleichen möchte, kann es lohnenswert sein, nicht die gesamte
DTW-Matrix abzusuchen, sondern nur solche Zustände zu betrachten,
die überhaupt betreten werden können oder sogar nur solche, die eine
Mindestwahrscheinlichkeit haben. Das Bestimmen, welche Zustände als
Nachfolger des Zustandes (i, j) in Frage kommen wird als ” Expandieren“
von (i, j) bezeichnet. Zwei Sprachsignale mit jeweils 1000 Vektoren würden
eine DTW-Matrix mit 1 000000 Elementen aufspannen. Auch wenn diese
heute vom Speicherbedarf her unproblematisch wäre, so sollte zumindest
aus Laufzeitgründen geprüft werden, wie das Expandieren eines Zustandes
gegebenenfalls die Suche nach dem DTW-Pfad vereinfacht werden kann. Die
Menge der besuchbaren Zustände wird DTW-Suchraum genannt.
Auf jeden Fall sollten die resultierenden DTW-Pfade einige Erwartungen
erfüllen, wie sie in Abb. 11.11 dargestellt sind. Es sollte sichergestellt sein,
daß die Pfade von links unten nach rechts oben verlaufen. Sie sollten auch
monoton sein. Eine Nichtmonotonie des Pfades würde bedeuteten, daß ein
Teil einer Aufnahme mit zwei verschiedenen Teilen der anderen Aufnahme
verglichen würde, etwas das für normale Spracherkennung keinen Sinn hat
(außer gegebenenfalls beim Vergleichen eines Lachens bestehend aus vielen
” ha“ mit einem Lachen bestehend aus einem einzigen ha“). Besonders
”
hohe Sprünge sollten vermieden werden, um so eine lokale Kontinuität des