Sprachliche Mensch-Maschine-Kommunikation

178 12. Hidden Markov Modelle
Wenn es um die Erkennung kontinuierlicher Sprache geht, dann machen
Mustervergleicherkenner zusätzliche Schwierigkeiten. Der Dynamic Programming
Algorithmus kann zwar für kontinuierliche Sprache eingesetzt werden,
aber wir haben schon bei seiner Einführung auf Probleme hinsichtlich der
Effizienz bei großen Vokabularen hingewiesen.
Der schwerwiegendste Nachteil (abgesehen von der Erkennungsqualität)
ist aber die Abhängigkeit vom Vokabular. Wenn für jedes zu erkennende
Wort ein Muster abgespeichert werden muß, bedeutet dies, daß Wörter, für
die keine Muster vorhanden sind, auch nicht erkannt werden können. Dies
ist vor allem für Sprachen mit vielen Flexionsmöglichkeiten wie zum Beispiel
die deutsche Sprache problematisch.
Der innerhalb eines Jahres verwendete Wortschatz einer Tageszeitung
kann leicht in der Größenordnung 10 6 liegen. Es ist im Deutschen völlig
unproblematisch, neue Wörter zu bilden, die die meisten von uns noch
nie gehört haben aber trotzdem auf Anhieb verstehen. Denken Sie zum
Beispiel an diesen Satz: ” Das Kondensmilchdosenloch ist zugemilcht.“ Es
ist wahrscheinlich, daß Sie die Hälfte der Wörter dieses Satzes zum ersten
Mal lesen. Das erste seltene Wort ( ” Kondensmilchdosenloch“) illustriert
die Fähigkeit der deutschen Sprache, einzelne Wörter zu größeren zusammenzukleben.
Und das zweite ( ” zugemilcht“) zeigt, wie durch Flexion ein
Wort aus Partikeln (Morphemen) gebildet werden kann. Die Behandlung
solcher Probleme wird auch weiterhin schwierig sein, aber wenn wir bei der
Erkennung mittels einfachen Mustervergleichen wie bisher kennengelernt
bleiben wollen, werden solche Probleme kaum lösbar sein.
Wir sehen schon, die Problematik läuft auf die Stückelung der Sprache
hinaus. Ganze Wörter scheinen für die Spracherkennung problembehaftet
zu sein. Das Trainieren von einzelnen Silben oder Phonemen, um deren
Muster abzuspeichern, dürfte aber auch nicht erfolgversprechend sein. Die
akustische Evidenz eines Phonems in einem Sprachsignal ist ziemlich klein
(im Schnitt ca. 50 bis 60 ms). Derartig kurze Muster zu vergleichen zieht
sehr hohe Fehlerraten nach sich.
Wie stellen wir uns also den kontinuierlichen Spracherkenner vor? Welche
Eigenschaften sollte er haben?
Kurze Spracheinheiten
Wir wollen nicht mit ganzen Wörtern als Einheiten arbeiten. Kurze Einheiten,
aus denen Wörter ” zusammengebaut“ werden können sind geeigneter,
weil sie öfter in den Trainingsdaten auftreten und so besser trainiert werden
können. Und wir brauchen weniger Trainingsdaten, zumindest nicht mehr so